| 第一章 绪论 | 第1-16页 |
| ·天线的物理学原理 | 第7-8页 |
| ·阵列天线结构 | 第8-11页 |
| ·波束转换天线 | 第9-10页 |
| ·自适应天线阵 | 第10-11页 |
| ·阵列天线工作原理 | 第11-13页 |
| ·阵列天线算法 | 第13-14页 |
| ·阵列天线的优点与应用 | 第14-16页 |
| 第二章 阵列天线的算法 | 第16-35页 |
| ·非盲自适应算法 | 第16-20页 |
| ·最小均方误差(MMSE)准则 | 第17-19页 |
| ·最小二乘(LS)准则 | 第19-20页 |
| ·盲自适应算法 | 第20-35页 |
| ·最速下降恒模算法(SD-CMA) | 第21-22页 |
| ·最小二乘恒模算法(LS-CMA) | 第22-25页 |
| ·多重信号分类算法(MUSIC) | 第25-29页 |
| ·借助旋转不变技术估计信号参数算法(ESPRIT) | 第29-32页 |
| ·相干信号条件下的DOA估计--空间平滑技术 | 第32-35页 |
| 第三章 统计学习理论和支持向量机 | 第35-58页 |
| ·机器学习的基本问题和方法 | 第37-41页 |
| ·机器学习问题的表示 | 第37-39页 |
| ·经验风险最小化 | 第39-40页 |
| ·复杂性与推广能力 | 第40-41页 |
| ·统计学习理论的核心内容 | 第41-52页 |
| ·学习过程一致性的条件 | 第41-44页 |
| ·函数集的学习性能与VC维 | 第44-49页 |
| ·推广性的界 | 第49-50页 |
| ·结构风险最小化 | 第50-52页 |
| ·支持向量机 | 第52-58页 |
| ·最优分类面 | 第52-54页 |
| ·广义最优分类面 | 第54-55页 |
| ·支持向量机 | 第55-58页 |
| 第四章 SVM技术在阵列天线上的应用 | 第58-73页 |
| ·SVM的函数拟合 | 第58-60页 |
| ·阵列天线仿真实验模型 | 第60-63页 |
| ·阵列天线仿真实验参数 | 第63-64页 |
| ·SVM算法模型 | 第64-65页 |
| ·SVM在阵列天线的仿真实验 | 第65-71页 |
| ·方位角φ的测定 | 第65-68页 |
| ·仰角θ的测定 | 第68-69页 |
| ·预测时间统计 | 第69页 |
| ·预测精度分析 | 第69-70页 |
| ·SVM算法对运动目标的处理 | 第70-71页 |
| ·总结和展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者在攻读硕上学位期间发表的文章 | 第77页 |