| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 超宽带技术特点及其在目标识别领域的研究现状 | 第11-14页 |
| 1.2.1 超宽带技术特点 | 第11-12页 |
| 1.2.2 超宽带技术在目标识别领域研究现状 | 第12-14页 |
| 1.3 课题主要研究内容、研究成果及创新点 | 第14-16页 |
| 1.4 论文主要工作和章节安排 | 第16-17页 |
| 第二章 基于小波分析和核主成分分析的特征提取算法 | 第17-27页 |
| 2.1 小波分析理论 | 第18-19页 |
| 2.2 数据降维方法研究 | 第19-26页 |
| 2.2.1 数据降维技术概述 | 第19-23页 |
| 2.2.2 核主成分分析理论 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 分类算法 | 第27-42页 |
| 3.1 支持向量机理论及应用 | 第27-34页 |
| 3.1.1 支持向量机的分类原理 | 第27-31页 |
| 3.1.2 多分类支持向量机原理 | 第31-32页 |
| 3.1.3 支持向量机参数优化 | 第32-34页 |
| 3.2 ACO-PSO混合算法优化SVM参数的目标识别方法 | 第34-41页 |
| 3.2.1 粒子群优化算法 | 第34-36页 |
| 3.2.2 蚁群优化算法 | 第36-37页 |
| 3.2.3 粒子群改进算法 | 第37-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 实际环境测量与分析 | 第42-58页 |
| 4.1 基于人数识别测试场景描述 | 第42-44页 |
| 4.2 基于人数识别场景采集数据分析 | 第44-46页 |
| 4.3 目标识别基本框架概述 | 第46-47页 |
| 4.4 特征参数提取描述及研究 | 第47-54页 |
| 4.4.1 基于小波变换特征提取分析 | 第48-53页 |
| 4.4.2 基于KPCA的数据降维分析 | 第53-54页 |
| 4.5 基于智能算法优化SVM的仿真结果及分析 | 第54-56页 |
| 4.6 基于投票策略的系统改进 | 第56-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 论文总结与展望 | 第58-60页 |
| 5.1 本文主要成果 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 作者攻读硕士学位期间发表的学术论文目录 | 第66页 |