| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 引言 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究目的 | 第12-13页 |
| 1.4 本文研究内容 | 第13-16页 |
| 第二章 水下运动目标辐射噪声和被动声纳接收信号模型 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 水下运动目标辐射噪声信号特征分析 | 第16-19页 |
| 2.2.1 水下运动目标辐射噪声信号产生机理 | 第17-18页 |
| 2.2.2 水下运动目标辐射噪声信号功率谱结构 | 第18-19页 |
| 2.3 水下运动目标辐射噪声模型 | 第19-25页 |
| 2.3.1 线谱模型 | 第19-21页 |
| 2.3.2 连续谱模型 | 第21-24页 |
| 2.3.3 水下运动目标辐射噪声模型 | 第24-25页 |
| 2.4 被动声纳接收信号模型 | 第25-30页 |
| 2.4.1 传播损失 | 第25-27页 |
| 2.4.2 多普勒效应 | 第27-28页 |
| 2.4.3 海洋环境噪声 | 第28-29页 |
| 2.4.4 被动声纳接收信号模型 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于神经网络的非线性系统建模研究 | 第32-52页 |
| 3.1 引言 | 第32页 |
| 3.2 人工神经网络基础 | 第32-35页 |
| 3.2.1 神经元模型 | 第34-35页 |
| 3.2.2 人工神经网络结构 | 第35页 |
| 3.3 RBF神经网络 | 第35-41页 |
| 3.3.1 RBF神经网络概述 | 第35-37页 |
| 3.3.2 RBF定义 | 第37页 |
| 3.3.3 RBF神经网络结构 | 第37-39页 |
| 3.3.4 RBF网络学习算法 | 第39-41页 |
| 3.4 基于K-均值学习算法的RBF网络非线性函数逼近和预测 | 第41-44页 |
| 3.5 基于模糊C均值学习算法的RBF神经网络 | 第44-51页 |
| 3.5.1 模糊C均值聚类算法概述 | 第44-46页 |
| 3.5.2 模糊C均值聚类算法分析 | 第46-47页 |
| 3.5.3 基于FCM学习算法的RBF网络非线性函数逼近和预测 | 第47-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 改进FCM学习算法的RBF网络水声传播过程建模 | 第52-66页 |
| 4.1 引言 | 第52页 |
| 4.2 改进FCM学习算法的RBF网络非线性函数逼近和预测 | 第52-57页 |
| 4.2.1 改进的FCM算法 | 第52-55页 |
| 4.2.2 仿真实验及结果分析 | 第55-57页 |
| 4.3 改进FCM学习算法的RBF网络水声传播过程建模 | 第57-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 论文主要工作 | 第66页 |
| 5.2 研究展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录 | 第76页 |
