第一章 绪论 | 第1-13页 |
第一节 雷达对抗面临严峻的挑战 | 第8-9页 |
第二节 神经网络技术在雷达对抗和反对抗中的作用 | 第9-11页 |
第三节 本文所做工作 | 第11-13页 |
第二章 模式识别与雷达特征处理 | 第13-20页 |
第一节 模式识别的概念 | 第13页 |
第二节 模式识别系统 | 第13-14页 |
第三节 模式识别方法 | 第14-16页 |
第四节 特征提取与选择 | 第16-18页 |
§2.4.1 熵函数的定义 | 第16页 |
§2.4.2 熵函数的性质 | 第16页 |
§2.4.3 熵值分析法特征提取 | 第16-18页 |
第五节 特征参数归一化 | 第18-19页 |
§2.5.1 线性归一化 | 第18页 |
§2.5.2 非线性归一化 | 第18-19页 |
第六节 模式的相似性度量 | 第19-20页 |
第三章 径向基神经网络雷达体制分类器 | 第20-31页 |
第一节 径向基神经网络 | 第20页 |
第二节 径向基神经网络的拓扑结构 | 第20-22页 |
第三节 径向基函数网络用于分类的概率机理 | 第22-24页 |
第四节 径向基网络混合学习算法 | 第24-27页 |
§3.4.1 非监督自组织学习 | 第24-25页 |
§3.4.2 监督学习 | 第25-26页 |
§3.4.3 混合学习算法的收敛性 | 第26页 |
§3.4.4 自组织RBFN网络的模式分类分析 | 第26-27页 |
第五节 雷达辐射源体制分类器实验结果与分析 | 第27-31页 |
第四章 雷达模式匹配算法 | 第31-45页 |
第一节 模式匹配的基本思想 | 第31页 |
第二节 模板匹配算法 | 第31-35页 |
第三节 模糊匹配算法 | 第35-41页 |
§4.3.1 问题的描述 | 第35-36页 |
§4.3.2 隶属函数的确定 | 第36-37页 |
§4.3.3 模糊识别 | 第37-41页 |
第四节 仿真实验结果与分析 | 第41-45页 |
第五章 不确定推理与决策技术在雷达识别中的应用 | 第45-66页 |
第一节 D-S证据理论 | 第45-50页 |
§5.1.1 基本概念 | 第45-46页 |
§5.1.2 证据理论在适当条件下的简化 | 第46-47页 |
§5.1.3 证据理论的推广 | 第47-49页 |
§5.1.4 证据理论在雷达型号识别中的应用 | 第49-50页 |
第二节 确定性理论 | 第50-53页 |
§5.2.1 知识的不确定性 | 第50页 |
§5.2.2 证据的不确定性 | 第50页 |
§5.2.3 不精确推理算法 | 第50-51页 |
§5.2.4 确定性理论的几种组合算法 | 第51-52页 |
§5.2.5 确定性理论在雷达型号识别中的应用 | 第52-53页 |
第三节 主观Bayes理论 | 第53-56页 |
§5.3.1 知识的不确定性表示 | 第53-54页 |
§5.3.2 证据的不确定性 | 第54页 |
§5.3.3 不精确推理算法 | 第54页 |
§5.3.4 主观Bayes理论在雷达型号识别中的应用 | 第54-56页 |
第四节 似然比决策理论 | 第56-60页 |
§5.4.1 基本假定 | 第56-57页 |
§5.4.2 基于似然比的多级融合与决策机制 | 第57-58页 |
§5.4.3 似然比决策方法的修正 | 第58-59页 |
§5.4.4 似然比决策理论在雷达型号识别中的应用 | 第59-60页 |
第五节 可能性理论 | 第60-63页 |
§5.5.1 可能性理论基础知识 | 第60-61页 |
§5.5.2 可能性理论的信息融合方法 | 第61-62页 |
§5.5.3 可能性理论在雷达型号识别中的应用 | 第62-63页 |
第六节 仿真实验结果与分析 | 第63-66页 |
第六章 雷达型号识别系统设计与分析 | 第66-71页 |
第一节 雷达识别系统模型 | 第66-67页 |
第二节 雷达识别系统模型分析 | 第67-68页 |
第三节 雷达识别系统工作流程 | 第68-70页 |
第四节 结论 | 第70-71页 |
结束语 | 第71-72页 |
致谢 | 第72-73页 |
参考文献 | 第73-76页 |
附录A | 第76-77页 |
附录B | 第77-78页 |
附录C | 第78-79页 |
读硕士期间发表论文及获奖情况 | 第79页 |