| 摘要 | 第1-3页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-13页 |
| 1．1 研究背景及目的 | 第6-10页 |
| 1．1．1 战场背景下目标声信号识别技术 | 第6-8页 |
| 1．1．2 战场背景下目标声信号识别技术的发展前景 | 第8-9页 |
| 1．1．3 本文的研究目的 | 第9-10页 |
| 1．2 国内外研究概况 | 第10-12页 |
| 1．3 本文的主要内容 | 第12-13页 |
| 第二章 多目标辐射噪声特性及特征提取 | 第13-36页 |
| 2．1 战场目标噪声特性分析 | 第13-18页 |
| 2．1．1 直升机目标噪声特性分析 | 第13-14页 |
| 2．1．2 战斗机目标噪声特性分析 | 第14-15页 |
| 2．1．3 坦克目标噪声特性分析 | 第15-16页 |
| 2．1．4 巡航导弹目标噪声特性分析 | 第16-18页 |
| 2．2 目标特征提取 | 第18-19页 |
| 2．3 基于主分量分析的声信号特征提取 | 第19-28页 |
| 2．3．1 主分量分析的基本思想 | 第19-22页 |
| 2．3．2 主分量的定义与性质 | 第22-23页 |
| 2．3．3 主分量分析(PCA)算法 | 第23-25页 |
| 2．3．4 基于主分量分析的频域特征提取 | 第25-28页 |
| 2．4 基于小波变换的声信号特征提取 | 第28-32页 |
| 2．4．1 小波变换基本概念 | 第29页 |
| 2．4．2 小波变换与能量分布特征 | 第29-30页 |
| 2．4．3 基于小波变换的能量分布特征提取 | 第30-32页 |
| 2．5 类别可分性测度 | 第32-35页 |
| 2．5．1 基于距离的可分性测度理论 | 第33-34页 |
| 2．5．2 两种特征向量可分性测度计算 | 第34-35页 |
| 2．6 本章小结 | 第35-36页 |
| 第三章 分类器设计及多目标识别实验 | 第36-51页 |
| 3．1 分类器概述 | 第36-37页 |
| 3．2 两种分类器 | 第37-46页 |
| 3．2．1 BP神经网络分类器 | 第37-44页 |
| 3．2．2 近邻法模式分类器 | 第44-46页 |
| 3．3 战场多目标识别实验及结果 | 第46-50页 |
| 3．3．1 单传感器多目标识别 | 第46-49页 |
| 3．3．2 实验结论 | 第49-50页 |
| 3．4 本章小结 | 第50-51页 |
| 第四章 基于D-S证据理论的多传感器多目标识别 | 第51-66页 |
| 4．1 引言 | 第51-52页 |
| 4．2 多传感器信息融合的目标识别 | 第52-53页 |
| 4．3 证据理论基础 | 第53-63页 |
| 4．3．1 证据理论的基本概念 | 第53-55页 |
| 4．3．2 证据理论的组合规则 | 第55-58页 |
| 4．3．3 基本概率赋值(置信指派)的获取 | 第58-61页 |
| 4．3．4 基于证据理论的决策 | 第61-62页 |
| 4．3．5 基于证据理论的信息融合 | 第62-63页 |
| 4．4 战场多传感器多目标识别仿真及结果 | 第63-65页 |
| 4．4．1 多传感器多目标识别仿真 | 第63-65页 |
| 4．4．2 实验结论 | 第65页 |
| 4．5 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 参加科研项目和发表的学术论文 | 第72-73页 |
| 致谢 | 第73-74页 |