| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-13页 |
| ·雷达辐射源识别发展现状 | 第8-9页 |
| ·特征选择研究现状 | 第9-11页 |
| ·在线学习研究现状 | 第11-13页 |
| ·本文主要工作及章节安排 | 第13-15页 |
| 第二章 特征选择概述 | 第15-29页 |
| ·引言 | 第15页 |
| ·特征选择综述 | 第15-20页 |
| ·特征选择简介 | 第15-17页 |
| ·特征选择分类 | 第17-20页 |
| ·滤波式特征选择方法 | 第20-28页 |
| ·Relief 算法 | 第20-23页 |
| ·Simba 算法 | 第23-25页 |
| ·对辐射源数据的实验及分析 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于SVM-RFE 的特征选择及改进算法 | 第29-45页 |
| ·引言 | 第29页 |
| ·基于SVM-RFE 的特征选择算法 | 第29-32页 |
| ·支持向量机(SVM) | 第29-30页 |
| ·支持向量机递归特征排除(SVM-RFE) | 第30-31页 |
| ·多类SVM-RFE 特征选择算法(MSVM-RFE) | 第31-32页 |
| ·基于互信息的特征选择算法 | 第32-35页 |
| ·信息熵 | 第32-33页 |
| ·条件熵和联合熵 | 第33-34页 |
| ·互信息 | 第34页 |
| ·基于最大相关和最小冗余的特征选择算法(MRMR) | 第34-35页 |
| ·基于相关冗余的SVM-RFE 特征选择 | 第35-43页 |
| ·“大小球”问题研究 | 第35-36页 |
| ·基于相关冗余的SVM-RFE 算法(MRMR-SVM-RFE) | 第36-37页 |
| ·实验及结果分析 | 第37-43页 |
| ·本章小结 | 第43-45页 |
| 第四章 雷达辐射源识别中的在线学习 | 第45-59页 |
| ·引言 | 第45-46页 |
| ·四种在线学习算法介绍 | 第46-53页 |
| ·Perceptron 算法 | 第46页 |
| ·Projectron 算法 | 第46-48页 |
| ·Passive-Aggressive 算法 | 第48-50页 |
| ·在线独立支持向量机 | 第50-53页 |
| ·对辐射源数据的实验及分析 | 第53-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| ·全文总结 | 第59-60页 |
| ·未来展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者在读期间的研究成果 | 第66-67页 |
