| 第一章：绪论 | 第1-10页 |
| 1．1 研究背景 | 第7-8页 |
| 1．2 研究内容 | 第8-10页 |
| 第二章 典型相关分析的有关概念和线性算法研究 | 第10-19页 |
| 2．1 典型相关分析的引入 | 第10-11页 |
| 2．2 典型相关分析的数学描述 | 第11-12页 |
| 2．3 线性典型相关分析的解析算法 | 第12-14页 |
| 2．4 典型相关系数的假设检验 | 第14-15页 |
| 2．5 线性典型相关的迭代算法及网络结构 | 第15-17页 |
| 2．6 线性典型相关算法的比较 | 第17-18页 |
| 2．7 小结 | 第18-19页 |
| 第三章 非线性典型相关算法 | 第19-25页 |
| 3．1 非线性典型相关的引入 | 第19页 |
| 3．2 基于神经网络的非线性典型相关算法 | 第19-20页 |
| 3．3 基于核理论的非线性典型相关算法 | 第20-22页 |
| 3．4 线性典型相关分析与核典型相关分析的比较试验 | 第22-24页 |
| 3．5 小结 | 第24-25页 |
| 第四章 基于典型相关分析的模式分类 | 第25-38页 |
| 4．1 引言 | 第25页 |
| 4．2 典型相关判别分析(CCDA) | 第25-27页 |
| 4．3 基于核理论的非线性典型相关判别分析(KCCDA) | 第27-29页 |
| 4．4 CCDA与KCCDA的试验结果及分析 | 第29-32页 |
| 4．5 KCCDA的特征向量选择问题 | 第32-35页 |
| 4．5．1 求解特征向量的迭代算法 | 第32-34页 |
| 4．5．2 KCCDA与修正的KCCDA的实验结果分析 | 第34-35页 |
| 4．6 核典型相关判别分析和核FISHER判别分析的关系 | 第35-36页 |
| 4．7 小结 | 第36-38页 |
| 第五章 基于KCCDA的雷达目标识别 | 第38-46页 |
| 5．1 一维高分辨距离像的特性分析与特征提取 | 第38-40页 |
| 5．2 KCCDA的特点 | 第40页 |
| 5．3 基于可信度的分类器融合 | 第40-43页 |
| 5．4 基于外场实测数据的实验分析 | 第43-44页 |
| 5．4．1 实验数据的描述 | 第43-44页 |
| 5．4．2 实验结果分析 | 第44页 |
| 5．5 小结 | 第44-46页 |
| 第六章 结论 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 研究成果 | 第51页 |
