| 第一章 绪论 | 第1-8页 |
| 1．1 研究背景 | 第5-6页 |
| 1．2 论文的主要工作 | 第6-8页 |
| 第二章 隐身飞机RCS特性和反隐身雷达组网方式的研究 | 第8-22页 |
| 2．1 隐身飞机RCS特性研究 | 第8-11页 |
| 2．1．1 国内外隐身飞机RCS特性研究概况 | 第8-9页 |
| 2．1．2 隐身飞机RCS简化模型 | 第9-10页 |
| 2．1．3 隐身飞行器发现概率的计算 | 第10-11页 |
| 2．2 多雷达系统结构和雷达组网结构研究 | 第11-16页 |
| 2．2．1 多雷达系统结构 | 第12-14页 |
| 2．2．2 雷达组网准则 | 第14页 |
| 2．2．3 雷达组网结构研究 | 第14-16页 |
| 2．3 多雷达数据预处理 | 第16-19页 |
| 2．3．1 空间对准 | 第17-18页 |
| 2．3．2 时间对准 | 第18-19页 |
| 2．4 小结 | 第19-20页 |
| 附 1 | 第20-21页 |
| 附 2 | 第21-22页 |
| 第三章 单雷达数据关联 | 第22-32页 |
| 3．1 相关技术研究综述 | 第22页 |
| 3．2 Hopfield网络模型及旅行商问题（TSP） | 第22-25页 |
| 3．2．1 Hopfield网络模型 | 第23页 |
| 3．2．2 旅行商问题（TSP） | 第23-24页 |
| 3．2．3 Hopfield神经网络解决TSP问题 | 第24-25页 |
| 3．3 单雷达多目标数据关联的Hopfield网络解决 | 第25-29页 |
| 3．3．1 多目标数据关联与TSP问题的一致性 | 第25页 |
| 3．3．2 新Hopfield能量函数解决数据关联问题 | 第25-27页 |
| 3．3．3 基于Hopfield网络单雷达多目标数据关联算法 | 第27-28页 |
| 3．3．4 算法收敛性证明 | 第28-29页 |
| 3．4 基于Hopfield网络的数据关联与NN法比较 | 第29-31页 |
| 3．4．1 NN法概述 | 第29页 |
| 3．4．2 两种算法的比较 | 第29-31页 |
| 3．4．3 算法比较结论 | 第31页 |
| 3．5 小结 | 第31-32页 |
| 第四章 多雷达数据融合和滤波 | 第32-44页 |
| 4．1 数据融合的数据准备 | 第32-35页 |
| 4．1．1 测量方差与飞行器距离及隐身特性的关系 | 第32-33页 |
| 4．1．2 数据准备 | 第33-35页 |
| 4．2 最小均方差数据融合 | 第35-36页 |
| 4．3 自组织最小均方差数据融合算法 | 第36-39页 |
| 4．3．1 自组织特征映射网络模型 | 第36-38页 |
| 4．3．2 自组织最小均方差融合算法 | 第38-39页 |
| 4．3．3 自组织测量数据融合算法性能 | 第39页 |
| 4．4 变维卡尔曼滤波器 | 第39-43页 |
| 4．4．1 状态模型 | 第40-42页 |
| 4．4．2 机动检测及模型转换 | 第42页 |
| 4．4．3 卡尔曼滤波器 | 第42-43页 |
| 4．5 小结 | 第43-44页 |
| 第五章 相关和融合算法仿真 | 第44-52页 |
| 5．1 相关算法仿真 | 第44-47页 |
| 5．1．1 基于Hopfield网络关联算法的性能 | 第44-46页 |
| 5．1．2 基于Hopfield网络关联算法与NN法仿真比较 | 第46-47页 |
| 5．2 融合算法仿真 | 第47-51页 |
| 5．2．1 最小均方误差融合算法仿真 | 第47-49页 |
| 5．2．2 自组织最小均方差融合算法仿真 | 第49-51页 |
| 5．3 小结 | 第51-52页 |
| 结束语 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录（完成的论文） | 第57页 |
