基于机器学习算法的雷达信号分选的研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 课题背景及研究意义 | 第13-15页 |
| 1.2 国内外研究现状分析 | 第15-19页 |
| 1.2.1 模板匹配法 | 第15页 |
| 1.2.2 PRI分选法 | 第15-17页 |
| 1.2.3 多参数关联比较法及多参数分选 | 第17页 |
| 1.2.4 基于脉内特征的信号分选算法 | 第17-18页 |
| 1.2.5 聚类分选算法 | 第18-19页 |
| 1.2.6 神经网络算法 | 第19页 |
| 1.3 本文的主要研究内容 | 第19-21页 |
| 第2章 机器学习十大算法简要概述 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 监督学习 | 第21-26页 |
| 2.2.1 决策树 | 第21-22页 |
| 2.2.2 朴素贝叶斯 | 第22-23页 |
| 2.2.3 支持向量机(SVM) | 第23-24页 |
| 2.2.4 K-nn算法 | 第24页 |
| 2.2.5 神经网络 | 第24-25页 |
| 2.2.6 集成学习 | 第25-26页 |
| 2.2.7 关联规则学习 | 第26页 |
| 2.3 无监督学习 | 第26-28页 |
| 2.3.1 k-means算法 | 第26-27页 |
| 2.3.2 聚类 | 第27页 |
| 2.3.3 主成分分析法 | 第27-28页 |
| 2.4 雷达信号仿真环境设计 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 雷达信号脉内特征和个体特征的提取 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 脉内特征参数提取 | 第33-36页 |
| 3.2.1 相像系数 | 第33-34页 |
| 3.2.2 熵值 | 第34-35页 |
| 3.2.3 复杂度 | 第35页 |
| 3.2.4 小波包特征 | 第35-36页 |
| 3.3 小波包特征提取分析 | 第36-38页 |
| 3.4 个体特征提取 | 第38-40页 |
| 3.5 双谱估计法 | 第40-41页 |
| 3.6 仿真与分析 | 第41-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 基于多参数的雷达信号分选 | 第47-65页 |
| 4.1 引言 | 第47-48页 |
| 4.2 组合算法分选 | 第48-53页 |
| 4.2.1 自组织特征映射神经网络 | 第48页 |
| 4.2.2 神经元的侧向交互原理 | 第48-49页 |
| 4.2.3 二维SOFM网络模型 | 第49-50页 |
| 4.2.4 SOFM网络算法 | 第50-51页 |
| 4.2.5 k-means算法 | 第51-52页 |
| 4.2.6 SOFM-kmeans算法 | 第52-53页 |
| 4.3 SOFM网络改进算法 | 第53页 |
| 4.4 仿真实验 | 第53-64页 |
| 4.4.1 仿真条件 | 第53-56页 |
| 4.4.2 仿真实验一 | 第56-57页 |
| 4.4.3 仿真实验二 | 第57-58页 |
| 4.4.4 仿真实验三 | 第58-60页 |
| 4.4.5 仿真实验四 | 第60-61页 |
| 4.4.6 仿真实验五 | 第61-62页 |
| 4.4.7 仿真结果分析 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 本文工作及成果 | 第65-66页 |
| 需要进一步研究的问题 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士期间发表论文 | 第71-73页 |
| 致谢 | 第73页 |
