| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-28页 |
| ·混沌理论的发展概述 | 第13-14页 |
| ·混沌理论的基本知识 | 第14-21页 |
| ·混沌的定义 | 第14-16页 |
| ·混沌的基本特征 | 第16-18页 |
| ·混沌吸引子 | 第18-19页 |
| ·混沌分析方法 | 第19-21页 |
| ·混沌时间序列预测和目标检测的目的和意义 | 第21-22页 |
| ·混沌时间序列预测和目标检测方法 | 第22-26页 |
| ·本论文的主要研究内容及结构安排 | 第26-28页 |
| 第2章 相空间重构理论 | 第28-35页 |
| ·引言 | 第28页 |
| ·时间序列的相空间重构 | 第28-29页 |
| ·延迟时间τ的确定 | 第29-31页 |
| ·自相关法 | 第29-30页 |
| ·复自相关法 | 第30页 |
| ·互信息法 | 第30-31页 |
| ·嵌入维数M 的确定 | 第31-32页 |
| ·Cao 方法 | 第31-32页 |
| ·C-C 法 | 第32页 |
| ·实验仿真及分析 | 第32-34页 |
| ·本章结论 | 第34-35页 |
| 第3章 基于LYAPUNOV 指数的混沌时间序列预测 | 第35-40页 |
| ·引言 | 第35页 |
| ·LYAPUNOV 指数 | 第35-37页 |
| ·Lyapunov 指数的定义 | 第35-36页 |
| ·Lyapunov 指数的物理意义 | 第36页 |
| ·Lyapunov 指数与分维数的关系 | 第36-37页 |
| ·Lyapunov 指数与吸引子的关系 | 第37页 |
| ·最大LYAPUNOV 指数的计算与预测模型 | 第37-38页 |
| ·最大Lyapunov 指数的计算 | 第37-38页 |
| ·最大Lyapunov 指数的预测模型 | 第38页 |
| ·仿真结果及分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于VOLTERRA 级数的混沌时间序列预测 | 第40-49页 |
| ·引言 | 第40页 |
| ·VOLTERRA 级数 | 第40-43页 |
| ·Volterra 级数的时域表示 | 第41-42页 |
| ·非线性系统的Volterra 级数逼近 | 第42-43页 |
| ·非线性系统与时间序列建模 | 第43页 |
| ·VOLTERRA 自适应滤波器 | 第43-46页 |
| ·二阶Volterra 自适应滤波器 | 第43-44页 |
| ·高阶非线性Volterra 自适应滤波器 | 第44-46页 |
| ·仿真结果及分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 混沌时间序列的混合遗传神经网络预测 | 第49-57页 |
| ·引言 | 第49页 |
| ·相空间重构 | 第49-51页 |
| ·延迟时间τ的计算 | 第50页 |
| ·嵌入维m 的计算 | 第50-51页 |
| ·混合GA-BP 神经网络学习算法设计 | 第51-54页 |
| ·标准GA 算法 | 第51页 |
| ·BP 神经网络算法 | 第51-53页 |
| ·GA-BP 算法原理 | 第53-54页 |
| ·仿真结果及分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 基于差分进化神经网络的混沌背景下目标检测 | 第57-63页 |
| ·引言 | 第57页 |
| ·RBF 神经网络 | 第57-58页 |
| ·RBF 网络模型 | 第57-58页 |
| ·RBF 网络常用算法 | 第58页 |
| ·差分进化算法 | 第58-59页 |
| ·DE 优化RBFNN 的算法流程 | 第59-60页 |
| ·基于DERBFNN 的目标检测 | 第60-61页 |
| ·混沌时间序列的预测 | 第60页 |
| ·混沌背景下的弱目标信号检测 | 第60-61页 |
| ·仿真结果及分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第7章 混沌时间序列的模糊聚类预测与目标检测 | 第63-70页 |
| ·引言 | 第63页 |
| ·混沌序列相空间重构 | 第63-64页 |
| ·T-S 模糊模型 | 第64页 |
| ·模糊模型的辨识 | 第64-66页 |
| ·模糊模型前件结构及参数确定 | 第64-66页 |
| ·模糊模型结论参数确定 | 第66页 |
| ·基于模糊聚类的混沌序列预测与目标信号检测 | 第66-67页 |
| ·混沌时间序列的预测 | 第66-67页 |
| ·微弱目标信号的检测 | 第67页 |
| ·仿真结果及分析 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第8章 基于自适应变异混合粒子群的目标检测 | 第70-78页 |
| ·引言 | 第70页 |
| ·RBF 神经网络模型 | 第70-71页 |
| ·基本粒子群优化算法 | 第71页 |
| ·模拟退火算法 | 第71-74页 |
| ·混合粒子群优化RBFNN 算法设计 | 第74-75页 |
| ·自适应变异混合粒子群优化算法 | 第74-75页 |
| ·基于混合粒子群的RBFNN 网络优化方法 | 第75页 |
| ·基于HPSO 优化RBFNN 的目标检测 | 第75-76页 |
| ·仿真结果及分析 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 1. 论文工作总结和创新点 | 第78-79页 |
| 2. 研究工作展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 附录A （攻读硕士学位期间所发表的学术论文目录） | 第85-86页 |
| 附录B （攻读硕士学位期间参加的科研工作） | 第86页 |