基于RBF神经网络的海杂波抑制算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-12页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文主要研究工作及内容安排 | 第11-12页 |
| 第2章 海杂波混沌特性与抑制技术分析 | 第12-24页 |
| ·海杂波简介 | 第12-13页 |
| ·海杂波的混沌特性 | 第13-18页 |
| ·混沌的概念 | 第13-14页 |
| ·Lyapunov指数 | 第14-15页 |
| ·相空间 | 第15-16页 |
| ·相关维数 | 第16-17页 |
| ·Kolmogorov熵 | 第17-18页 |
| ·海杂波抑制技术分析 | 第18-22页 |
| ·海杂波的抑制模型 | 第18-19页 |
| ·海杂波抑制方法 | 第19-22页 |
| ·本文所用雷达实测海杂波数据说明 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于相空间重构理论的网络参数选取 | 第24-37页 |
| ·相空间重构 | 第24-26页 |
| ·嵌入参数估计 | 第26-30页 |
| ·独立确定时间序列的嵌入延迟 | 第26-28页 |
| ·独立确定时间序列的嵌入维数 | 第28-30页 |
| ·同时确定时间序列嵌入窗宽的确定 | 第30-32页 |
| ·仿真实验及分析 | 第32-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 RBF神经网络模型及其学习算法 | 第37-57页 |
| ·支持向量机算法 | 第37-42页 |
| ·回归 | 第37-38页 |
| ·线性支持向量机回归 | 第38-39页 |
| ·非线性支持向量回归 | 第39-42页 |
| ·神经网络简介 | 第42-44页 |
| ·神经网络研究进展 | 第42-43页 |
| ·神经网络研究内容 | 第43页 |
| ·神经网络的学习方式 | 第43-44页 |
| ·RBF神经网络 | 第44-54页 |
| ·RBF神经网络结构 | 第44-45页 |
| ·RBF神经网络原理 | 第45-48页 |
| ·常用的RBF神经网络学习算法 | 第48-54页 |
| ·改进的RBF神经网络梯度算法 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 RBF神经网络的海杂波抑制及仿真 | 第57-71页 |
| ·基于SVM的RBF神经网络结构优化 | 第57页 |
| ·基于SVM的RBF神经网络结构优化算法 | 第57-58页 |
| ·基于RBF神经网络的海杂波抑制 | 第58-60页 |
| ·神经网络学习预测方程 | 第58-59页 |
| ·海杂波预测和对消 | 第59-60页 |
| ·仿真实验 | 第60-70页 |
| ·数据来源与处理 | 第60-61页 |
| ·仿真实验比较 | 第61-66页 |
| ·实验结果分析 | 第66-70页 |
| ·本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80页 |
