| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 背景 | 第12-13页 |
| 1.1.2 应用场景 | 第13-14页 |
| 1.2 基本术语及符号 | 第14-19页 |
| 1.2.1 雷达相关术语 | 第14页 |
| 1.2.2 机器学习相关术语及符号 | 第14-15页 |
| 1.2.3 分类任务的常用性能度量指标 | 第15-18页 |
| 1.2.4 类别不平衡学习相关术语及符号 | 第18-19页 |
| 1.3 国内外研究现状 | 第19-21页 |
| 1.3.1 目标与杂波分类特征选取研究现状 | 第19-20页 |
| 1.3.2 机器学习与神经网络的研究现状 | 第20页 |
| 1.3.3 机器学习技术用于雷达目标分类识别研究现状 | 第20页 |
| 1.3.4 类别不平衡学习研究现状 | 第20-21页 |
| 1.4 本文的主要工作 | 第21-23页 |
| 第二章 数据集的建立及特征提取 | 第23-39页 |
| 2.1 引言 | 第23页 |
| 2.2 数据集的构建 | 第23-34页 |
| 2.2.1 数据集的组成 | 第23-24页 |
| 2.2.2 雷达信号处理流程 | 第24-34页 |
| 2.3 输入特征选取 | 第34-37页 |
| 2.3.1 输入特征分析及选取 | 第34-36页 |
| 2.3.2 数据集特征分布 | 第36-37页 |
| 2.4 数据预处理——标准化 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 目标与杂波分类器设计 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 基于支持向量机的分类器 | 第39-47页 |
| 3.2.1 线性可分样本集最优间隔分类器 | 第39-43页 |
| 3.2.2 核函数 | 第43-45页 |
| 3.2.3 软间隔支持向量机 | 第45-47页 |
| 3.3 基于BP神经网络的分类器 | 第47-53页 |
| 3.3.1 M-P神经元模型 | 第47-48页 |
| 3.3.2 多层神经网络的结构 | 第48-49页 |
| 3.3.3 误差反向传播算法 | 第49-53页 |
| 3.4 分类器性能分析 | 第53-54页 |
| 3.4.1 分类器参数变化对性能的影响 | 第53页 |
| 3.4.2 各分类器性能对比 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 代价敏感分类器 | 第55-62页 |
| 4.1 引言 | 第55页 |
| 4.2 类别不平衡对分类器的影响 | 第55-58页 |
| 4.2.1 类别数量不平衡对支持向量机的影响 | 第55-56页 |
| 4.2.2 类别不平衡对BP神经网络的影响 | 第56-57页 |
| 4.2.3 实测数据集验证 | 第57-58页 |
| 4.3 代价敏感分类器 | 第58-60页 |
| 4.3.1 代价敏感支持向量机 | 第58-60页 |
| 4.3.2 代价敏感BP神经网络 | 第60页 |
| 4.4 引入代价敏感学习前后分类器性能对比 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 后续工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |