| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·研究的背景和意义 | 第8-9页 |
| ·本课题研究的发展和现状 | 第9-12页 |
| ·水中目标识别的发展史 | 第9-10页 |
| ·水中目标识别过程 | 第10-11页 |
| ·高阶统计量在目标识别中的应用现状 | 第11-12页 |
| ·本文的主要工作 | 第12-14页 |
| 第2章 高阶统计量理论及其噪声抵消方法 | 第14-30页 |
| ·引言 | 第14页 |
| ·高阶统计量理论 | 第14-24页 |
| ·随机变量的特征函数 | 第14-15页 |
| ·高阶矩和高阶累积量的定义 | 第15-16页 |
| ·高阶矩谱和高阶累积量谱的定义 | 第16-19页 |
| ·高斯过程的高阶矩和高阶累积量 | 第19-21页 |
| ·累积量的重要性质 | 第21-22页 |
| ·双谱的性质和算法 | 第22-24页 |
| ·基于高阶统计量的噪声抵消方法 | 第24-29页 |
| ·混合高斯噪声的抵消方法 | 第24-26页 |
| ·几种噪声抵消方法的比较 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于高阶统计量的非线性相位耦合分析 | 第30-46页 |
| ·引言 | 第30页 |
| ·非参数化方法的二次相位耦合分析 | 第30-35页 |
| ·1(1/2)维谱的定义、性质和算法 | 第30-32页 |
| ·实数谐波信号的二次相位耦合分析 | 第32-33页 |
| ·复数谐波信号的二次相位耦合分析 | 第33-34页 |
| ·仿真分析 | 第34-35页 |
| ·参数化方法的二次相位耦合分析 | 第35-39页 |
| ·推导及定义 | 第35-37页 |
| ·AR模型的阶次确定 | 第37-38页 |
| ·仿真分析 | 第38-39页 |
| ·基于四阶累积量的三次相位耦合分析 | 第39-44页 |
| ·概念及定义 | 第40-43页 |
| ·仿真分析 | 第43-44页 |
| ·耦合程度的估计 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第4章 基于高阶统计量的特征提取研究 | 第46-64页 |
| ·引言 | 第46页 |
| ·舰船辐射噪声特性分析 | 第46-50页 |
| ·线谱特征检索算法 | 第50-54页 |
| ·谱的形状特征 | 第50-51页 |
| ·谱峰识别原则 | 第51页 |
| ·谱峰检测算法 | 第51-54页 |
| ·基于包络信号的双谱特征提取 | 第54-58页 |
| ·包络信号及其高阶谱的获取 | 第54页 |
| ·双谱特征提取 | 第54-58页 |
| ·基于累积量切片谱的线谱特征提取 | 第58-63页 |
| ·线谱特征参量的选取 | 第58-59页 |
| ·基于1(1/2)维谱和2(1/2)维谱的线谱特征提取 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 RBF神经网络分类器设计及实验结果 | 第64-74页 |
| ·引言 | 第64-65页 |
| ·一般RBF神经网络介绍 | 第65-68页 |
| ·RBF神经网络结构 | 第66-67页 |
| ·RBF神经网络的学习算法 | 第67-68页 |
| ·改进的RBF神经网络 | 第68-72页 |
| ·对称距离定义 | 第69页 |
| ·改进的RBF神经网络的学习算法 | 第69-71页 |
| ·仿真数据的分类比较 | 第71-72页 |
| ·基于高阶谱特征的实测数据分类结果及分析 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第6章 全文总结 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间发表的论文 | 第81-82页 |