| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 引言 | 第9页 |
| 1.2 国内外研究现状以及存在的问题 | 第9-14页 |
| 1.2.1 区域入侵目标检测与分类研究现状 | 第9-11页 |
| 1.2.2 超宽带技术对目标识别的研究 | 第11-12页 |
| 1.2.3 超宽带无线传感网 | 第12-14页 |
| 1.3 本文的主要工作及组织结构 | 第14-16页 |
| 第二章 基于主成分特征与信道特征的联合特征 | 第16-37页 |
| 2.1 超宽带识别中的特征提取 | 第16-18页 |
| 2.2 联合特征参数提取方法 | 第18-31页 |
| 2.2.1 联合特征提取方法 | 第18-23页 |
| 2.2.2 降维特征选择与比较 | 第23-28页 |
| 2.2.3 信道特征参数分析 | 第28-31页 |
| 2.3 联合特征参数性能分析 | 第31-35页 |
| 2.3.1 联合特征参数时间性能分析 | 第31-32页 |
| 2.3.2 联合特征参数识别性能分析 | 第32-34页 |
| 2.3.3 联合特征参数权重分析 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 基于RKELM的目标识别算法 | 第37-51页 |
| 3.1 分类算法简述与选择 | 第37-38页 |
| 3.2 极限学习机 | 第38-41页 |
| 3.3 基于核的极限学习机 | 第41-47页 |
| 3.3.1 核方法基本原理 | 第41-42页 |
| 3.3.2 基于核函数的极限学习机 | 第42-44页 |
| 3.3.3 KELM与LS-SVM | 第44-47页 |
| 3.4 简化的基于核函数的极限学习机 | 第47-49页 |
| 3.5 基于联合特征和RKELM的快速入侵检测算法 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 森林环境中入侵场景模拟与识别 | 第51-61页 |
| 4.1 超宽带设备简述 | 第51页 |
| 4.2 实验环境与入侵场景模拟 | 第51-53页 |
| 4.3 特征数据预处理与参数配置 | 第53页 |
| 4.4 实测性能与错分样本分析 | 第53-58页 |
| 4.5 利用加权滑动窗口改进 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 全文总结 | 第61-63页 |
| 5.1 本文主要贡献与创新 | 第61-62页 |
| 5.2 本文待完善因素与展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 作者攻读学位期间发表的学术论文目录 | 第69页 |