| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-9页 |
| 第1章 绪论 | 第9-25页 |
| 1．1 引言 | 第9-10页 |
| 1．2 雷达目标自适应滤波技术发展及其研究现状 | 第10-16页 |
| 1．2．1 α-β类滤波 | 第10-12页 |
| 1．2．2 Kalman类滤波 | 第12-13页 |
| 1．2．3 机动目标跟踪 | 第13-14页 |
| 1．2．4 交互式多模型方法 | 第14-16页 |
| 1．3 多层前向神经网络（MFNN）发展与研究现状 | 第16-20页 |
| 1．3．1 神经网络发展 | 第16-17页 |
| 1．3．2 多层前向神经网络与函数逼近 | 第17-18页 |
| 1．3．3 多层前向神经网络学习及其鲁棒性 | 第18-20页 |
| 1．4 小波神经网络研究现状 | 第20-21页 |
| 1．4．1 小波分析的发展 | 第20页 |
| 1．4．2 小波神经网络发展及研究现状 | 第20-21页 |
| 1．5 雷达信号处理中的神经网络和小波技术 | 第21-22页 |
| 1．5．1 雷达信号处理中的神经网络技术 | 第21-22页 |
| 1．5．2 雷达信号处理中的小波技术 | 第22页 |
| 1．6 本文的立题思想 | 第22-25页 |
| 第2章 变步长-变动量因子多层前向神经网络（VSVMMFNN）预测 | 第25-47页 |
| 2．1 多层前向神经网络（MFNN）描述及其训练算法机理 | 第25-28页 |
| 2．2 用于函数逼近的MFNN激励函数选择及其收敛性分析 | 第28-43页 |
| 2．2．1 三层FNN逼近能力的存在性及误差限 | 第28-31页 |
| 2．2．2 多层前向神经网络（MFNN）激励函数选择原则 | 第31-34页 |
| 2．2．3 BP算法分析及其改善措施 | 第34-43页 |
| 2．3 MFNN鲁棒性分析 | 第43-45页 |
| 2．4 小结 | 第45-47页 |
| 第3章 广义小波神经网络的结构及其特性分析 | 第47-69页 |
| 3．1 基于Sigmoid函数的仿射小波框架及信号逼近 | 第47-51页 |
| 3．2 广义小波神经网络（GWNN）结构 | 第51-53页 |
| 3．2．1 小波神经网络结构 | 第51-52页 |
| 3．2．2 广义小波神经网络构造 | 第52-53页 |
| 3．3 广义小波神经网络学习算法及其性能分析 | 第53-59页 |
| 3．3．1 广义小波神经网络学习算法 | 第53-56页 |
| 3．3．2 广义小波神经网络鲁棒性分析 | 第56-58页 |
| 3．3．3 函数逼近误差限 | 第58-59页 |
| 3．4 广义小波神经网络在线预测仿真 | 第59-63页 |
| 3．4．1 一维信号在线预测仿真 | 第60-62页 |
| 3．4．2 四维信号在线预测仿真 | 第62-63页 |
| 3．5 广义小波神经网络推广 | 第63-67页 |
| 3．5．1 基于三次样条小波的广义小波神经网络 | 第63-66页 |
| 3．5．2 基于墨西哥帽小波的广义小波神经网络 | 第66-67页 |
| 3．6 小结 | 第67-69页 |
| 第4章 在线相关跟踪检测 | 第69-85页 |
| 4．1 小波边缘检测机理 | 第69-73页 |
| 4．2 在线小波变换算法 | 第73-76页 |
| 4．3 用于相关检测的小波函数选择及其特性分析 | 第76-79页 |
| 4．3．1 从分解延时量方面考虑 | 第76-77页 |
| 4．3．2 从检测特性方面考虑 | 第77-78页 |
| 4．3．3 噪声对误跟踪检测性能的影响 | 第78-79页 |
| 4．4 样条小波用于在线相关检测的算法仿真 | 第79-82页 |
| 4．5 小结 | 第82-85页 |
| 第5章 雷达数据相关预测及其仿真 | 第85-103页 |
| 5．1 广义小波神经网络（GWNN）预测模型 | 第85页 |
| 5．2 VSVM-GWNN雷达数据预测步长 | 第85-86页 |
| 5．3 仿真算法 | 第86-102页 |
| 5．3．1 匀速直线运动目标的跟踪预测 | 第87页 |
| 5．3．2 变加速运动目标的跟踪 | 第87-92页 |
| 5．3．3 急转弯目标前置点的在线预测 | 第92-98页 |
| 5．3．4 广义小波神经网络相关预测 | 第98-102页 |
| 5．4 小结 | 第102-103页 |
| 第6章 结论 | 第103-105页 |
| 攻读学位期间公开发表的论文 | 第105-106页 |
| 致谢 | 第106-107页 |
| 参考文献 | 第107-123页 |
