| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题依据和研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 未知目标判别研究现状 | 第12-14页 |
| 1.2.2 基于一维距离像的未知目标判别 | 第14-15页 |
| 1.3 本论文的主要工作研究 | 第15-17页 |
| 第二章 基于训练样本分布的SVDD一维距离像未知目标判别 | 第17-36页 |
| 2.1 引言 | 第17页 |
| 2.2 基于支持向量的单类判别器 | 第17-21页 |
| 2.2.1 支持向量数据域描述 | 第17-19页 |
| 2.2.2 单类支持向量机 | 第19-21页 |
| 2.2.3 两种单类判别器的对比 | 第21页 |
| 2.3 基于密度和位置分布加权的SVDD未知目标判别 | 第21-24页 |
| 2.3.1 样本密度与空间位置分布的权值计算 | 第21-23页 |
| 2.3.2 基于密度和位置分布加权的SVDD算法 | 第23-24页 |
| 2.4 基于截断距离密度分布加权的SVDD未知目标判别 | 第24-25页 |
| 2.4.1 基于截断距离样本局部密度计算 | 第24-25页 |
| 2.4.2 基于截断距离密度分布加权的SVDD判别方法 | 第25页 |
| 2.5 基于粒子群算法的参数寻优 | 第25-27页 |
| 2.6 实验数据 | 第27-28页 |
| 2.6.1 实验数据介绍 | 第27页 |
| 2.6.2 实验数据预处理 | 第27-28页 |
| 2.7 本章实验 | 第28-35页 |
| 2.7.1 数据不同对判别率的影响 | 第28-33页 |
| 2.7.2 噪声对判别率的影响 | 第33-34页 |
| 2.7.3 方位角变化对判别率的影响 | 第34-35页 |
| 2.8 本章小结 | 第35-36页 |
| 第三章 基于聚类的SVDD一维距离像未知目标判别 | 第36-51页 |
| 3.1 引言 | 第36页 |
| 3.2 基于K-means聚类的SVDD未知目标判别 | 第36-37页 |
| 3.2.1 K-means聚类 | 第36-37页 |
| 3.2.2 方法步骤 | 第37页 |
| 3.3 基于AP聚类的SVDD未知目标判别 | 第37-40页 |
| 3.3.1 AP聚类 | 第37-39页 |
| 3.3.2 方法步骤 | 第39-40页 |
| 3.4 基于DP聚类的SVDD未知目标判别 | 第40-42页 |
| 3.4.1 DP聚类 | 第40-41页 |
| 3.4.2 方法步骤 | 第41-42页 |
| 3.5 基于差分进化方法的SVDD参数寻优 | 第42-44页 |
| 3.5.1 差分进化算法 | 第42-43页 |
| 3.5.2 寻优方法 | 第43-44页 |
| 3.6 本章实验 | 第44-50页 |
| 3.6.1 数据不同对判别率的影响 | 第45-48页 |
| 3.6.2 噪声对判别率的影响 | 第48-49页 |
| 3.6.3 方位角对判别率的影响 | 第49-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第四章 改进含有负类样本的SVDD未知目标判别方法 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 含有负类样本的SVDD判别方法 | 第51-53页 |
| 4.3 改进NSVDD算法(DFS-NSVDD) | 第53-57页 |
| 4.3.1 DFS-NSVDD算法实现原理 | 第53-54页 |
| 4.3.2 粒子群算法与差分进化算法混合的参数寻优方法 | 第54-55页 |
| 4.3.3 DFS-NSVDD算法步骤 | 第55-57页 |
| 4.4 本章实验 | 第57-66页 |
| 4.4.1 数据不同对判别率的影响 | 第57-60页 |
| 4.4.2 噪声对判别率的影响 | 第60-61页 |
| 4.4.3 方位角对判别率的影响 | 第61-62页 |
| 4.4.4 训练数据中未知目标采样间隔对判别率的影响 | 第62-63页 |
| 4.4.5 三种参数寻优算法效果对比 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结及展望 | 第67-69页 |
| 5.1 本文总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73页 |
