| 第一章 绪论 | 第1-15页 |
| §1.1 前言 | 第8-9页 |
| §1.2 非协同目标识别技术发展状况 | 第9-10页 |
| §1.2.1 国外发展概况 | 第9页 |
| §1.2.2 国内发展概况 | 第9-10页 |
| §1.2.3 今后发展趋势 | 第10页 |
| §1.3 基于神经网络的非协同目标识别技术 | 第10-14页 |
| §1.3.1 神经网络在数据关联中的应用 | 第11-12页 |
| §1.3.2 神经网络在属性数据融合中的应用 | 第12-14页 |
| §1.4 本论文的主要内容 | 第14-15页 |
| 第二章 神经网络的基本原理 | 第15-29页 |
| §2.1 神经网络的基本问题 | 第15页 |
| §2.2 三类典型神经网络算法：BP，RBF和Kohonen | 第15-28页 |
| §2.2.1 反向传播BP模型 | 第16-20页 |
| §2.2.1.1 BP网络的结构 | 第16-17页 |
| §2.2.1.2 BP算法的数学表达 | 第17-19页 |
| §2.2.1.3 BP算法的执行步骤 | 第19-20页 |
| §2.2.2 径向基网络RBF模型 | 第20-23页 |
| §2.2.2.1 RBF网络的结构 | 第20-21页 |
| §2.2.2.2 RBF算法的数学表达 | 第21-22页 |
| §2.2.2.3 RBF算法的执行步骤 | 第22-23页 |
| §2.2.3 自组织映射Kohonen网络模型 | 第23-28页 |
| §2.2.3.1 Kohonen网络的结构 | 第24-25页 |
| §2.2.3.2 Kohonen算法的数学表达 | 第25-28页 |
| §2.3 小结 | 第28-29页 |
| 第三章 Kohonen网络算法的改进以及新型网络的构建 | 第29-44页 |
| §3.1 传统Kohonen算法的几点改进 | 第29-36页 |
| §3.1.1 根据样本分布对距离函数做不同选择 | 第29-30页 |
| §3.1.2 用邻域函数代替邻域框以保证自组织竞争的公平性 | 第30-31页 |
| §3.1.3 基于全局映射的网络训练方法 | 第31-33页 |
| §3.1.4 基于二次映射的网络收敛方法 | 第33-36页 |
| §3.2 Kohonen算法的执行步骤 | 第36-37页 |
| §3.3 Kohonen网络的识别性能检验 | 第37-40页 |
| §3.4 新型混合网络KRⅠ，KRⅡ | 第40-43页 |
| §3.5 小结 | 第43-44页 |
| 第四章 基于神经网络的数字调制信号识别 | 第44-51页 |
| §4.1 数字调制信号的特征提取 | 第44-46页 |
| §4.2 基于神经网络的数字调制信号识别 | 第46-49页 |
| §4.3 RBF与BP网络识别效果比较 | 第49-50页 |
| §4.4 小结 | 第50-51页 |
| 第五章 基于单神经网络的属性数据关联 | 第51-59页 |
| §5.1 用聚类算法解决数据关联问题 | 第51页 |
| §5.2 基于Kohonen网络的动态聚类法 | 第51-54页 |
| §5.3 数据关联处理流程 | 第54-55页 |
| §5.4 仿真研究与结果分析 | 第55-58页 |
| §5.5 小结 | 第58-59页 |
| 第六章 基于神经网络组合的非协同目标识别 | 第59-74页 |
| §6.1 神经网络组合 | 第59-64页 |
| §6.1.1 应用背景 | 第59页 |
| §6.1.2 神经网络组合的概念 | 第59-60页 |
| §6.1.3 线性回归的神经网络组合方法 | 第60-64页 |
| §6.1.4 多神经网络组合结构图 | 第64页 |
| §6.2 神经网络的置信度计算 | 第64-67页 |
| §6.2.1 置信度简述 | 第64-65页 |
| §6.2.2 神经网络置信度的计算方法 | 第65-67页 |
| §6.3 神经网络组合分类器 | 第67-73页 |
| §6.3.1 分类器结构 | 第67页 |
| §6.3.2 仿真研究与结果分析 | 第67-73页 |
| §6.4 小结 | 第73-74页 |
| 第七章 总结 | 第74-79页 |
