| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题意义 | 第9-10页 |
| ·国内外对目标识别方法的研究 | 第10-11页 |
| ·课题的主要研究工作 | 第11页 |
| ·论文结构安排 | 第11-13页 |
| 第二章 二维图像飞机目标识别基本方法 | 第13-21页 |
| ·概述 | 第13页 |
| ·二维图像目标的识别方法 | 第13-17页 |
| ·图像目标的匹配方法 | 第13-16页 |
| ·图像目标识别的系统结构 | 第16-17页 |
| ·二维图像飞机目标识别系统结构 | 第17-21页 |
| ·飞机目标的成像模型及样本库的建立 | 第18-19页 |
| ·飞机图像在线识别结构与过程 | 第19-21页 |
| 第三章 飞机不变矩稳定性分析及建立多级特征模型 | 第21-35页 |
| ·概述 | 第21页 |
| ·特征提取 | 第21-23页 |
| ·Hu不变矩 | 第21-22页 |
| ·复数矩 | 第22-23页 |
| ·飞机不变矩稳定性分析及多级特征模型 | 第23-35页 |
| ·高斯点扩展函数作用下的目标不变矩 | 第23-25页 |
| ·目标不变矩稳定性分析实验 | 第25-28页 |
| ·不变矩数量级标准化 | 第28-29页 |
| ·目标识别的多级特征模型 | 第29-31页 |
| ·验证多级特征模型有效性实验 | 第31-35页 |
| 第四章 粗糙集 | 第35-45页 |
| ·概述 | 第35页 |
| ·粗糙集的基本概念 | 第35-37页 |
| ·知识与不可分辨关系 | 第35页 |
| ·粗糙集的下逼近、上逼近、边界区和粗糙隶属函数 | 第35-37页 |
| ·信息系统及简化 | 第37-45页 |
| ·信息系统的表示 | 第37-38页 |
| ·属性的简化和核 | 第38页 |
| ·属性值的简化和值核 | 第38-39页 |
| ·算法及举例 | 第39-45页 |
| 第五章 支持向量机 | 第45-67页 |
| ·概述 | 第45页 |
| ·机器学习的模型 | 第45-49页 |
| ·主要的学习问题 | 第46-47页 |
| ·经验风险最小化原则 | 第47-48页 |
| ·学习的复杂性和推广能力 | 第48-49页 |
| ·统计学习理论 | 第49-55页 |
| ·学习过程一致性的条件 | 第49-51页 |
| ·函数集的学习能力和VC维 | 第51-53页 |
| ·学习机器推广性的界 | 第53-54页 |
| ·结构风险最小化原则 | 第54-55页 |
| ·支持向量机方法 | 第55-66页 |
| ·最优分类超平面 | 第56-59页 |
| ·广义的最优分类超平面 | 第59-60页 |
| ·支持向量机 | 第60-63页 |
| ·支持向量机的训练算法 | 第63-66页 |
| ·支持向量机的特点 | 第66-67页 |
| 第六章 基于粗糙集及 SVM的飞机分类算法 | 第67-81页 |
| ·概述 | 第67页 |
| ·支持向量机多类分类算法 | 第67-71页 |
| ·“一对多”方法(One-Against-the-rest Method) | 第67-69页 |
| ·“一对一”方法(One-against-one Method) | 第69-70页 |
| ·基于决策有向无环图SVM—DAGSVM | 第70-71页 |
| ·粗糙集与支持向量机的结合 | 第71-75页 |
| ·分类器结构 | 第72页 |
| ·输入空间的维数对SVM分类器性能的影响 | 第72-74页 |
| ·粗糙集与支持向量机的结合 | 第74-75页 |
| ·新属性集的产生方法 | 第75页 |
| ·仿真实验 | 第75-81页 |
| ·实验图像库建立 | 第75-77页 |
| ·利用粗糙集建立新属性集 | 第77-78页 |
| ·实验结果 | 第78-79页 |
| ·实验分析 | 第79-81页 |
| 第七章 总结与展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间的科研学术情况 | 第87-89页 |
| 致谢 | 第89-90页 |