基于PSO-SFLA算法的超宽带目标识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景 | 第9-15页 |
| 1.2.1 超宽带技术介绍 | 第9-11页 |
| 1.2.2 群智能优化算法介绍 | 第11-12页 |
| 1.2.3 课题研究现状及意义 | 第12-15页 |
| 1.3 课题主要研究内容、研究成果及创新点 | 第15页 |
| 1.4 论文主要工作和章节安排 | 第15-17页 |
| 第二章 特征参数提取及处理 | 第17-25页 |
| 2.1 目标特征提取 | 第17-20页 |
| 2.1.1 时域特征提取 | 第17-19页 |
| 2.1.2 频域特征提取 | 第19页 |
| 2.1.3 时频域特征提取 | 第19页 |
| 2.1.4 特征提取方法选择 | 第19-20页 |
| 2.2 特征参数降维 | 第20-24页 |
| 2.2.1 主成分分析的基本思想 | 第20页 |
| 2.2.2 主成分分析的数学模型 | 第20-21页 |
| 2.2.3 主成分分析的几何意义 | 第21-22页 |
| 2.2.4 主成分分析的计算步骤 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于粒子群改进的混合蛙跳算法的分类识别 | 第25-45页 |
| 3.1 典型分类器介绍及选择 | 第25-34页 |
| 3.1.1 BP神经网络 | 第25-28页 |
| 3.1.2 随机森林 | 第28-31页 |
| 3.1.3 支持向量机 | 第31-33页 |
| 3.1.4 典型分类器性能比较 | 第33-34页 |
| 3.2 基于粒子群算法改进的混合蛙跳算法 | 第34-44页 |
| 3.2.1 粒子群算法 | 第34-37页 |
| 3.2.2 混合蛙跳算法 | 第37-42页 |
| 3.2.3 基于粒子群算法改进的混合蛙跳算法 | 第42-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 实际环境测量与分析 | 第45-55页 |
| 4.1 实验场景 | 第45-47页 |
| 4.2 数据预处理 | 第47-49页 |
| 4.3 PCA降维 | 第49-50页 |
| 4.4 改进的混合蛙跳算法 | 第50-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 论文总结与展望 | 第55-57页 |
| 5.1 本文主要成果总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-65页 |
| 致谢 | 第65-66页 |
| 作者攻读硕士学位期间发表的学术论文目录 | 第66页 |
