| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·支持向量机的研究现状 | 第7-9页 |
| ·支持向量机在雷达辐射源分类中的应用 | 第9-12页 |
| ·雷达辐射源分类 | 第9-11页 |
| ·支持向量机在雷达辐射源分类中的应用 | 第11-12页 |
| ·本文的主要工作和组织结构 | 第12-15页 |
| 第二章 相关理论与技术 | 第15-23页 |
| ·支持向量机 | 第15-20页 |
| ·线性支持向量机 | 第15-18页 |
| ·非线性支持向量机 | 第18-19页 |
| ·核函数 | 第19页 |
| ·支持向量机的应用 | 第19-20页 |
| ·迁移学习 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于动态 K 近邻和缓存改进的 PTSVM | 第23-37页 |
| ·直推式支持向量机 | 第23-27页 |
| ·直推式支持向量机 | 第23-25页 |
| ·渐近直推式支持向量机 | 第25-27页 |
| ·基于动态 K 近邻和缓存改进的 PTSVM | 第27-31页 |
| ·算法的原理 | 第27-28页 |
| ·算法的主要步骤 | 第28-31页 |
| ·实验结果 | 第31-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 基于集成学习改进的 KMMSVM 算法 | 第37-51页 |
| ·KMMSVM 算法 | 第37-42页 |
| ·KMM 算法 | 第37-40页 |
| ·KMMSVM 算法 | 第40-42页 |
| ·集成学习 | 第42-43页 |
| ·个体生成方法 | 第42页 |
| ·结论生成 | 第42-43页 |
| ·基于集成学习改进的 KMMSVM 算法 | 第43-46页 |
| ·随机样本选取 | 第44页 |
| ·基于划分的随机样本选取 | 第44-45页 |
| ·算法流程 | 第45-46页 |
| ·实验与分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 特征提取和雷达辐射源识别的实验 | 第51-57页 |
| ·特征提取 | 第51-53页 |
| ·雷达辐射源分类识别实验结果分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 结论 | 第57-59页 |
| ·工作总结 | 第57页 |
| ·进一步研究 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |