基于数据挖掘技术的目标识别分类研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| ·数据仓库和知识发现 | 第8-9页 |
| ·数据挖掘技术 | 第9-10页 |
| ·研究背景及意义 | 第10页 |
| ·研究动态及应用 | 第10-13页 |
| ·数据挖掘的理论成果 | 第11-12页 |
| ·挖掘的应用实施 | 第12-13页 |
| ·数据挖掘的应用展望 | 第13页 |
| ·本文中的数据挖掘 | 第13-15页 |
| ·本文主要工作及内容安排 | 第15-16页 |
| 第二章 舰船辐射噪声特性分析 | 第16-23页 |
| ·舰船噪声的类型 | 第16页 |
| ·舰船辐射噪声的通过特性 | 第16-17页 |
| ·舰船辐射噪声的谱特性 | 第17-19页 |
| ·舰船辐射噪声的“三非”特性 | 第19-21页 |
| ·基于高阶统计量的信号分析 | 第20-21页 |
| ·基于小波分析的信号处理 | 第21页 |
| ·本章小结 | 第21-23页 |
| 第三章 基于交互信号分析的舰船辐射噪声特征提取 | 第23-49页 |
| ·高阶谱特征提取 | 第23-39页 |
| ·高阶统计量理论 | 第23-26页 |
| ·双谱的性质和算法 | 第26-29页 |
| ·舰船信号的1(1/2)维谱分析 | 第29-38页 |
| ·舰船辐射噪声1(1/2)维谱 | 第38-39页 |
| ·舰船噪声的小波特征提取 | 第39-43页 |
| ·小波变换 | 第39-40页 |
| ·Mallat算法 | 第40页 |
| ·噪声谱的小波分解 | 第40-43页 |
| ·基于舰船噪声1(1/2)维谱的小波特征提取 | 第43-48页 |
| ·母波的选择 | 第43-44页 |
| ·舰船辐射噪声1(1/2)维谱的小波变换 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 数据挖掘技术中的支持向量机 | 第49-61页 |
| ·统计学习理论 | 第49-54页 |
| ·机器学习的基本问题 | 第50-51页 |
| ·经验风险最小化 | 第51页 |
| ·复杂性与推广能力 | 第51-52页 |
| ·统计学习理论的核心内容 | 第52-54页 |
| ·支持向量机 | 第54-57页 |
| ·广义最优分类面 | 第55-56页 |
| ·支持向量机 | 第56-57页 |
| ·核函数 | 第57-58页 |
| ·核函数主成分分析 | 第58-59页 |
| ·应用研究 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 基于支持向量机技术的目标识别 | 第61-85页 |
| ·数据挖掘技术中的两种目标分类方法研究 | 第61-70页 |
| ·概念介绍 | 第61-62页 |
| ·聚类分析 | 第62-65页 |
| ·SVM | 第65-69页 |
| ·方法对比与分析 | 第69-70页 |
| ·对SVM的一些讨论 | 第70页 |
| ·实现多类模式识别的支持向量机 | 第70-72页 |
| ·基于交互特征优化的三类水中目标识别 | 第72-73页 |
| ·线性规划支持向量机 | 第73-80页 |
| ·线性规划支持向量机 | 第73-75页 |
| ·线性规划非线性支持向量机 | 第75-77页 |
| ·目标识别中的线性规划 | 第77-79页 |
| ·实验结果及分析 | 第79-80页 |
| ·SVM识别分类的软件流程图 | 第80页 |
| ·SVM-KNN分类器实现 | 第80-84页 |
| ·SVM-KNN分类器实现 | 第82-83页 |
| ·实验结果及分析 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第六章 全文总结 | 第85-87页 |
| 参考文献 | 第87-94页 |
| 在读期间已发表论文及所获奖励 | 第94-95页 |
| 致谢 | 第95-96页 |
