| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题及意义背景 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-15页 |
| 1.3 论文主要内容及章节安排 | 第15-17页 |
| 第二章 脉内特征分选系统设计 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 脉内细微特征分选系统 | 第17-20页 |
| 2.2.1 数据预处理 | 第17-18页 |
| 2.2.2 特征提取 | 第18-19页 |
| 2.2.3 特征优化 | 第19-20页 |
| 2.2.4 分类器设计 | 第20页 |
| 2.3 模糊函数 | 第20-23页 |
| 2.3.1 模糊函数的定义及其表达形式 | 第21-22页 |
| 2.3.2 模糊函数与信号脉内特征的关系 | 第22-23页 |
| 2.4 本章小节 | 第23-25页 |
| 第三章 基于模糊函数的雷达信号分选算法 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 分数阶傅里叶变换 | 第25-27页 |
| 3.2.1 分数阶傅里叶变换 | 第25-26页 |
| 3.2.2 模糊函数与分数阶自相关的关系 | 第26-27页 |
| 3.3 典型相关分析与核典型相关分析 | 第27-31页 |
| 3.3.1 典型相关分析的数学描述 | 第28-29页 |
| 3.3.2 典型相关分析的求解 | 第29-30页 |
| 3.3.3 核典型相关分析 | 第30-31页 |
| 3.4 切面特征融合 | 第31-33页 |
| 3.5 实验及分析 | 第33-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 基于分数低阶模糊函数的雷达信号分选 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 a 稳定分布 | 第38-41页 |
| 4.2.1 a 稳定分布模型 | 第38-40页 |
| 4.2.2 广义中心极限定理 | 第40-41页 |
| 4.2.3 a 稳定分布的性质 | 第41页 |
| 4.3 基于分数低阶模糊函数的非高斯噪声信号分选 | 第41-45页 |
| 4.3.1 分数低阶矩 | 第41-42页 |
| 4.3.2 分数低阶协方差 | 第42页 |
| 4.3.3 分数低阶模糊函数 | 第42-44页 |
| 4.3.4 a 稳定分布随机变量的产生 | 第44-45页 |
| 4.4 a 稳定分布噪声信号的分选识别算法 | 第45页 |
| 4.5 实验及分析 | 第45-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第五章 小样本高维数据分类器设计 | 第51-68页 |
| 5.1 引言 | 第51页 |
| 5.2 支持向量机 | 第51-54页 |
| 5.2.1 分类器设计准则 | 第51-52页 |
| 5.2.2 支持向量机 | 第52-54页 |
| 5.3 基于选主元Cholesky分解的原始最小二乘支持向量机 | 第54-58页 |
| 5.3.1 最小二乘支持向量机模型 | 第54-55页 |
| 5.3.2 P‐LSSVM模型 | 第55-56页 |
| 5.3.3 P‐LSSVM解的稀疏性分析 | 第56-57页 |
| 5.3.4 P‐LSSVM的选主元Cholesky分解迭代求解算法 | 第57-58页 |
| 5.4 组合核函数及其系数寻优 | 第58-59页 |
| 5.4.1 RBF与卡方组合核函数 | 第58-59页 |
| 5.4.2 基于遗传算法的组合核函数系数寻优 | 第59页 |
| 5.5 实验及分析 | 第59-66页 |
| 5.6 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文主要工作与成果 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 作者简历 | 第78页 |