| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10页 |
| ·雷达目标识别技术概述 | 第10-14页 |
| ·二维微波像目标识别 | 第11页 |
| ·一维距离像目标识别 | 第11-14页 |
| ·论文的主要研究内容和章节安排 | 第14-16页 |
| 第二章 高分辨雷达距离像模型及其特点 | 第16-22页 |
| ·雷达目标散射中心模型 | 第16-17页 |
| ·一维距离像特点 | 第17-18页 |
| ·实验数据 | 第18-21页 |
| ·数据描述 | 第18-21页 |
| ·数据预处理 | 第21页 |
| ·本章总结 | 第21-22页 |
| 第三章 基于核样本概念的雷达目标识别研究 | 第22-39页 |
| ·主成分分析 | 第22-24页 |
| ·主成分分析（PCA）原理 | 第22-24页 |
| ·基于PCA 的目标特征提取 | 第24页 |
| ·线性判别分析（LDA） | 第24-26页 |
| ·核函数的定义和简介 | 第26-27页 |
| ·基于核样本概念的目标识别 | 第27-33页 |
| ·核样本概念简介 | 第27-28页 |
| ·核样本集的类内与类间离散度矩阵计算方法 | 第28-31页 |
| ·核样本的特征提取 | 第31-32页 |
| ·分类器设计 | 第32页 |
| ·基于核样本概念的目标识别算法步骤 | 第32-33页 |
| ·本章实验结果 | 第33-38页 |
| ·本章总结 | 第38-39页 |
| 第四章 基于改进支持向量机的雷达目标识别研究 | 第39-68页 |
| ·统计学习理论简介 | 第39-41页 |
| ·VC 维和推广性的界 | 第39-40页 |
| ·结构风险（SRM）最小化 | 第40-41页 |
| ·支持向量机 | 第41-48页 |
| ·线性不可分样本集的最优分类面 | 第41-45页 |
| ·支持向量机（SVM） | 第45-46页 |
| ·支持向量机的多类分类识别 | 第46-47页 |
| ·基于C-SVM 算法的雷达目标识别结果 | 第47-48页 |
| ·一种广义C-SVM 算法 | 第48-58页 |
| ·线性不可分样本集的不等距最优分类面 | 第49-51页 |
| ·广义C-SVM 算法 | 第51-53页 |
| ·修正C-SVM 算法 | 第53页 |
| ·本节实验结果 | 第53-58页 |
| ·支持向量机的一种改进策略 | 第58-66页 |
| ·SVM 算法框架下支持向量的特点 | 第58-60页 |
| ·模糊隶属度的计算方法 | 第60-61页 |
| ·训练样本规模缩小的具体实现 | 第61-62页 |
| ·本节实验结果 | 第62-66页 |
| ·本章总结 | 第66-68页 |
| 第五章 基于改进LS-SVM 算法的雷达目标识别研究 | 第68-93页 |
| ·最小二乘支持向量机（LS-SVM） | 第68-73页 |
| ·最小二乘支持向量机的算法推导 | 第68-71页 |
| ·最小二乘支持向量机的多类分类识别 | 第71页 |
| ·基于LS-SVM 算法的雷达目标识别结果 | 第71-73页 |
| ·一种广义LS-SVM 算法 | 第73-79页 |
| ·广义LS-SVM 算法的推导过程 | 第73-75页 |
| ·修正LS-SVM 算法的简单说明 | 第75-76页 |
| ·本节实验结果 | 第76-79页 |
| ·迭代式增量LS-SVM 算法 | 第79-81页 |
| ·一种新的LS-SVM 稀疏化算法 | 第81-91页 |
| ·现有LS-SVM 稀疏化算法的不足 | 第81-82页 |
| ·新的LS-SVM 稀疏化算法的数学指导思想 | 第82-83页 |
| ·二阶Renyi 熵 | 第83-84页 |
| ·新的LS-SVM 稀疏化算法的具体实现 | 第84-87页 |
| ·几点问题说明 | 第87-88页 |
| ·本节实验结果 | 第88-91页 |
| ·本章总结 | 第91-93页 |
| 第六章 结论和展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-101页 |
| 攻硕期间取得的研究成果 | 第101-102页 |