摘要 | 第1-12页 |
ABSTRACT | 第12-14页 |
第一章 绪论 | 第14-32页 |
·引言 | 第14页 |
·研究背景 | 第14-15页 |
·雷达目标识别的基本内容 | 第15-16页 |
·雷达目标识别的困难 | 第16-17页 |
·雷达目标识别的分类器设计 | 第17-19页 |
·支持向量机的原理 | 第19-25页 |
·统计学习理论的基本概念 | 第19-20页 |
·线性支持向量机 | 第20-22页 |
·非线性支持向量机 | 第22-24页 |
·支持向量机的核函数 | 第24页 |
·支持向量机的特点 | 第24-25页 |
·支持向量机的研究现状 | 第25-29页 |
·支持向量机的训练算法研究 | 第25-26页 |
·支持向量机的模型选择研究 | 第26页 |
·支持向量机的多类问题研究 | 第26-27页 |
·支持向量机的变形算法 | 第27-28页 |
·支持向量机的应用研究 | 第28-29页 |
·本文的主要工作与结构安排 | 第29-32页 |
第二章 支持向量预选取算法研究 | 第32-43页 |
·引言 | 第32-34页 |
·支持向量的特点分析 | 第34页 |
·基于密度法的支持向量预选取算法 | 第34-38页 |
·算法的原理 | 第34-36页 |
·密度的定义 | 第36-37页 |
·边界向量的确定 | 第37-38页 |
·算法的主要步骤 | 第38页 |
·实验结果及分析 | 第38-42页 |
·仿真数据 | 第38-41页 |
·实测数据 | 第41-42页 |
·小结 | 第42-43页 |
第三章 支持向量机增量学习算法研究 | 第43-54页 |
·引言 | 第43-44页 |
·支持向量机增量学习分析 | 第44-48页 |
·支持向量机的KKT条件 | 第45-47页 |
·增量学习后支持向量集的变化分析 | 第47-48页 |
·支持向量机增量学习淘汰算法 | 第48-49页 |
·支持向量机增量学习算法 | 第49-51页 |
·符号定义 | 第50页 |
·学习过程 | 第50-51页 |
·淘汰规则 | 第51页 |
·实验结果及分析 | 第51-52页 |
·小结 | 第52-54页 |
第四章 直推式支持向量机分类学习算法研究 | 第54-74页 |
·引言 | 第54-55页 |
·直推式支持向量机 | 第55-57页 |
·直推式支持向量机学习算法 | 第57-58页 |
·渐进直推式支持向量机学习算法 | 第58-60页 |
·改进的渐进直推式支持向量机学习算法 | 第60-65页 |
·标注可信度的定义 | 第61-62页 |
·一种改进的渐进直推式支持向量机学习算法 | 第62-65页 |
·结合K 近邻法的改进的渐进直推式支持向量机学习算法 | 第65-67页 |
·K 近邻法简介 | 第66页 |
·原理分析 | 第66-67页 |
·算法的主要步骤 | 第67页 |
·实验结果及分析 | 第67-72页 |
·小结 | 第72-74页 |
第五章 基于1类支持向量机的高分辨雷达真假目标识别 | 第74-93页 |
·引言 | 第74-75页 |
·基于目标散射点位置相关的高分辨雷达目标检测算法 | 第75-79页 |
·基于第一检测门限的检测 | 第76-77页 |
·基于位置信息的相关检测器 | 第77-78页 |
·算法的主要步骤 | 第78-79页 |
·2 类支持向量机算法简介 | 第79-80页 |
·1 类支持向量机算法简介 | 第80-82页 |
·1 类支持向量机的原理 | 第80-81页 |
·参数变化对分类面的影响 | 第81-82页 |
·高分辨雷达真假目标识别的1 类SVM 分类器构造 | 第82-88页 |
·K -均值算法简介 | 第83-85页 |
·高分辨雷达真假目标识别的聚类式的1 类SVM 模型 | 第85-86页 |
·多类真目标情况下的处理 | 第86-88页 |
·实验结果及分析 | 第88-91页 |
·小结 | 第91-93页 |
第六章 机载毫米波雷达目标识别软件平台的设计与开发 | 第93-104页 |
·引言 | 第93页 |
·雷达目标识别软件平台的需求分析 | 第93-94页 |
·雷达目标识别软件平台的总体设计 | 第94-99页 |
·基于外场实测数据的SVM 算法性能验证 | 第99-103页 |
·小结 | 第103-104页 |
第七章 结束语 | 第104-107页 |
致谢 | 第107-109页 |
参考文献 | 第109-123页 |
作者在攻读博士学位期间发表(撰写)的论文 | 第123-124页 |
作者在攻读博士学位期间参与的科研项目 | 第124页 |
作者在攻读博士学位期间的获奖情况 | 第124页 |