基于实例推理的雷达辐射源识别研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 引言 | 第9-15页 |
| 1.1 研究背景及目的 | 第9页 |
| 1.2 人工智能 | 第9-10页 |
| 1.3 专家系统 | 第10-13页 |
| 1.3.1 基于规则的专家系统 | 第12-13页 |
| 1.3.2 基于实例的专家系统 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 基于实例推理概述 | 第15-29页 |
| 2.1 CBR的基本原理 | 第15-23页 |
| 2.1.1 实例的表示 | 第16-18页 |
| 2.1.2 实例的索引 | 第18页 |
| 2.1.3 实例的检索 | 第18-21页 |
| 2.1.4 实例的复用 | 第21页 |
| 2.1.5 实例的修正 | 第21-22页 |
| 2.1.6 实例的保存 | 第22-23页 |
| 2.1.7 实例库的维护 | 第23页 |
| 2.2 CBR与RBR对比 | 第23-25页 |
| 2.3 CBR的历史现状及应用领域 | 第25-27页 |
| 2.4 CBR的未来 | 第27-29页 |
| 第3章 雷达辐射源识别 | 第29-39页 |
| 3.1 雷达辐射源识别的历史及方法 | 第29-31页 |
| 3.1.1 国内外研究历史 | 第29-30页 |
| 3.1.2 雷达辐射源识别的过程 | 第30-31页 |
| 3.2 雷达辐射源参数特征与雷达用途的关系 | 第31-34页 |
| 3.3 传统的分类器 | 第34-39页 |
| 3.3.1 贝叶斯分类器 | 第35页 |
| 3.3.2 K-近邻分类器 | 第35-36页 |
| 3.3.3 聚类分析分类方法 | 第36-37页 |
| 3.3.4 神经网络分类器 | 第37页 |
| 3.3.5 支持向量机分类器 | 第37-39页 |
| 第4章 基于实例推理的雷达辐射源识别研究与应用 | 第39-65页 |
| 4.1 体系结构 | 第39-41页 |
| 4.2 基于实例推理的雷达辐射源识别研究 | 第41-57页 |
| 4.3 基于实例推理的雷达辐射源识别应用 | 第57-65页 |
| 4.3.1 仿真环境 | 第57-58页 |
| 4.3.2 识别雷达仿真实现 | 第58-63页 |
| 4.3.3 数据管理仿真实现 | 第63-65页 |
| 第5章 仿真的运行结果分析 | 第65-69页 |
| 5.1 运行结果 | 第65页 |
| 5.2 结果分析 | 第65-69页 |
| 第6章 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
