支持向量机学习算法及其在雷达目标识别中的应用
| 摘要 | 第1-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第12-25页 |
| ·论文的研究背景与意义 | 第12-13页 |
| ·高分辨雷达目标识别的研究现状 | 第13-17页 |
| ·直接利用一维距离像进行目标识别 | 第13-14页 |
| ·平移不变特征提取 | 第14页 |
| ·特征压缩 | 第14-15页 |
| ·姿态不敏感特征提取 | 第15页 |
| ·丰富特征量 | 第15-16页 |
| ·基于仿生学技术的雷达目标识别 | 第16-17页 |
| ·支持向量机的研究现状 | 第17-23页 |
| ·SVM快速训练算法 | 第17-20页 |
| ·SVM增量学习算法 | 第20-21页 |
| ·SVM多类分类算法 | 第21-22页 |
| ·SVM的应用研究 | 第22-23页 |
| ·现有SVM算法存在的困难和问题 | 第23页 |
| ·论文的主要工作及内容安排 | 第23-25页 |
| 第二章 支持向量机的分类机理研究 | 第25-36页 |
| ·机器学习的基本问题 | 第26-27页 |
| ·问题的表示 | 第26页 |
| ·经验风险最小化 | 第26-27页 |
| ·复杂性与推广能力 | 第27页 |
| ·统计学习理论的核心内容 | 第27-30页 |
| ·VC维 | 第28页 |
| ·推广性的界 | 第28-29页 |
| ·结构风险最小化 | 第29-30页 |
| ·支持向量机的分类机理 | 第30-35页 |
| ·线性可分情况 | 第30-32页 |
| ·线性不可分情况 | 第32-33页 |
| ·非线性情况 | 第33-34页 |
| ·核函数 | 第34页 |
| ·SVM的特点 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于K最近邻的SVM快速训练算法研究 | 第36-44页 |
| ·KNN-SVM算法的基本思路 | 第37-38页 |
| ·KNN-SVM算法的基本步骤 | 第38-40页 |
| ·仿真实验与结果分析 | 第40-43页 |
| ·iris数据集 | 第40-42页 |
| ·glass数据集 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于K最近邻的快速SVM增量学习算法研究 | 第44-52页 |
| ·引言 | 第44-45页 |
| ·基于K最近邻的快速SVM增量学习算法 | 第45-49页 |
| ·KNN-ISVM算法的基本思路 | 第45-47页 |
| ·边界向量提取方法 | 第47-48页 |
| ·KNN-ISVM算法的主要步骤 | 第48-49页 |
| ·仿真实验与结果分析 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 支持向量机多类分类算法研究 | 第52-71页 |
| ·常用SVM多类分类方法 | 第52-54页 |
| ·"一对多"方法 | 第52页 |
| ·"一对一"方法 | 第52-53页 |
| ·基于二叉树的SVM多类分类方法 | 第53-54页 |
| ·核分级聚类算法研究 | 第54-61页 |
| ·聚类算法概述 | 第54-55页 |
| ·分级聚类算法的改进 | 第55-59页 |
| ·核分级聚类算法 | 第59-61页 |
| ·基于核分级聚类的SVM多类分类算法 | 第61-62页 |
| ·仿真实验与结果分析 | 第62-70页 |
| ·新类间可分性度量对分类精度的影响 | 第62-63页 |
| ·核函数对分类精度的影响 | 第63-66页 |
| ·核分级聚类对分类精度的影响 | 第66-68页 |
| ·基于核分级聚类的SVM多类分类算法 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 支持向量机学习算法在雷达目标识别中的应用 | 第71-82页 |
| ·雷达高分辨一维距离像 | 第72-73页 |
| ·雷达高分辨距离像 | 第72页 |
| ·雷达高分辨一维距离像特性 | 第72-73页 |
| ·支持向量机学习算法在雷达目标识别中的应用 | 第73-81页 |
| ·KNN-SVM在雷达HRRP识别中的应用 | 第73-75页 |
| ·KNN-ISVM在雷达HRRP识别中的应用 | 第75-79页 |
| ·KHC-SVM在雷达HRRP识别中的应用 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 结束语 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 作者在学期间取得的学术成果 | 第88页 |
