| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 本文的结构安排 | 第19-20页 |
| 第二章 相关概念与算法 | 第20-30页 |
| 2.1 RCNA相关的基本概念 | 第20-22页 |
| 2.1.1 CNA的基本概念 | 第20-21页 |
| 2.1.2 RCNA的基本概念 | 第21-22页 |
| 2.2 RCNA识别算法 | 第22-29页 |
| 2.2.1 CMDS算法 | 第22-25页 |
| 2.2.2 一种基于聚类的RCNA识别算法 | 第25-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于k-means聚类的RCNA识别算法 | 第30-42页 |
| 3.1 K-means聚类算法 | 第30-33页 |
| 3.1.1 聚类分析算法简介 | 第30-31页 |
| 3.1.2 K-means聚类算法 | 第31-33页 |
| 3.2 自适应维纳滤波算法 | 第33-35页 |
| 3.2.1 自适应滤波相关概念 | 第33-34页 |
| 3.2.2 自适应滤波原理 | 第34-35页 |
| 3.3 基于k-means聚类的RCNA识别的原理与算法 | 第35-38页 |
| 3.3.1 基于k-means聚类的RCNA识别原理 | 第35-36页 |
| 3.3.2 基于k-means聚类的RCNA识别算法 | 第36-38页 |
| 3.4 算法性能评价 | 第38-40页 |
| 3.4.1 p-value | 第38-39页 |
| 3.4.2 ROC曲线 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 实验研究和结果比较 | 第42-58页 |
| 4.1 实验所用数据简介 | 第42-44页 |
| 4.1.1 仿真数据集的生成 | 第42-44页 |
| 4.2 实验在仿真数据集上的运行和结果分析 | 第44-54页 |
| 4.2.1 实验数据集说明 | 第44-45页 |
| 4.2.2 单RCNA区域情况下的实验与结果分析 | 第45-51页 |
| 4.2.3 多RCNA区域情况下的实验与结果分析 | 第51-54页 |
| 4.3 本文算法与其他算法之间的比较 | 第54-55页 |
| 4.3.1 本文算法与CMDS算法比较 | 第54-55页 |
| 4.3.2 本文算法与聚类识别算法比较 | 第55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
