| 目录 | 第1-7页 |
| 图目录 | 第7-8页 |
| 表目录 | 第8-9页 |
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题的背景及研究意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·本文的研究内容及主要工作 | 第14-16页 |
| 第二章 RSOM树模型 | 第16-29页 |
| ·概述 | 第16页 |
| ·神经网络树模型 | 第16-20页 |
| ·决策树的构建 | 第16-18页 |
| ·神经网络树的结构 | 第18-20页 |
| ·基本的RSOM模型 | 第20-24页 |
| ·RSOM增量式训练 | 第24-27页 |
| ·数据增量模型 | 第24页 |
| ·增量式SOM网络训练算法 | 第24-26页 |
| ·增量式RSOM树训练算法 | 第26-27页 |
| ·RSOM识别算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 RSOM-GA相结合的有效特征选择 | 第29-38页 |
| ·概述 | 第29-30页 |
| ·Tabu搜索算法框架 | 第30-31页 |
| ·遗传算法(GA)和Tabu搜索算法相结合的特征选择 | 第31-32页 |
| ·试验分析 | 第32-37页 |
| ·IRIS试验数据 | 第32-36页 |
| ·算法在某型雷达目标识别系统中的应用 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 RSOM-RBF混合学习模型 | 第38-50页 |
| ·引言 | 第38页 |
| ·径向基函数(RBF)网络概述 | 第38-40页 |
| ·RBF网络的研究及应用现状 | 第38-39页 |
| ·RBF网络的工作原理 | 第39-40页 |
| ·RBF网络的再学习 | 第40-42页 |
| ·增加新的训练样本 | 第41页 |
| ·增加新的基函数 | 第41页 |
| ·RBF增量学习算法 | 第41-42页 |
| ·局部结合RBF的具有自主发现新类别样本能力的分类器模型 | 第42-45页 |
| ·模型构建 | 第42-43页 |
| ·算法描述 | 第43-44页 |
| ·启动局部的分类器训练的条件 | 第44-45页 |
| ·模型的可实现性分析 | 第45-48页 |
| ·本章小节 | 第48-50页 |
| 第五章 RSOM-SVM混合学习模型 | 第50-61页 |
| ·支持向量机(SVM) | 第50-53页 |
| ·最优分类面 | 第50-51页 |
| ·基本的SVM算法 | 第51-52页 |
| ·基于SVM算法的判决规则 | 第52页 |
| ·SVM的核函数 | 第52-53页 |
| ·基于增量学习的SVM | 第53-56页 |
| ·KKT条件 | 第53-54页 |
| ·增量学习后支持向量集的变化分析 | 第54-55页 |
| ·SVM增量学习算法 | 第55-56页 |
| ·局部结合SVM的具有自主发现新类别样本能力的分类器模型 | 第56-58页 |
| ·模型构建 | 第56-57页 |
| ·算法描述 | 第57-58页 |
| ·启动局部的分类器训练的条件 | 第58页 |
| ·模型的可实现性分析 | 第58-60页 |
| ·本章小节 | 第60-61页 |
| 第六章 结束语 | 第61-63页 |
| ·全文工作总结 | 第61页 |
| ·未来工作展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 硕士期间发表的学术论文 | 第70页 |
