| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·迁移学习研究历史与现状 | 第7-9页 |
| ·迁移学习在雷达辐射源中的应用 | 第9-10页 |
| ·传统的雷达辐射源识别技术 | 第9-10页 |
| ·基于迁移学习的雷达辐射源识别技术 | 第10页 |
| ·本人所作的工作和组织结构 | 第10-13页 |
| 第二章 迁移学习介绍与雷达辐射源样本处理 | 第13-21页 |
| ·迁移学习理论介绍 | 第13-15页 |
| ·雷达辐射源特征提取及归一化 | 第15-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于迁移成分分析的 RBF 神经网络算法 | 第21-33页 |
| ·径向基函数神经网络 | 第21-26页 |
| ·RBF 神经网络原理介绍 | 第21-24页 |
| ·RBF 神经网络分类器实验结果 | 第24-26页 |
| ·基于迁移成分分析改进的 RBF 神经网络分类器 | 第26-32页 |
| ·领域匹配迁移学习介绍 | 第26-29页 |
| ·TRBF 算法描述 | 第29-30页 |
| ·实验与分析 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于 Boosting 算法的改进迁移学习算法 | 第33-47页 |
| ·集成学习简介 | 第33-38页 |
| ·Bagging 算法描述 | 第34-36页 |
| ·Boosting 算法描述 | 第36-38页 |
| ·基于实例迁移学习的 TrAdaBoost 算法 | 第38-42页 |
| ·TrAdaBoost 算法简介 | 第39-40页 |
| ·TrAdaBoost 算法实验 | 第40-42页 |
| ·基于 TCA 的改进的 Boosting 迁移学习算法 | 第42-45页 |
| ·TCABoosting 算法介绍 | 第42-43页 |
| ·实验与分析 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第五章 基于分布修正的迁移 Boosting 算法 | 第47-55页 |
| ·基于分布修正的 Boosting 算法原理 | 第47-51页 |
| ·基于分布修正改进的迁移 Boosting 算法 | 第51-54页 |
| ·算法描述 | 第51-52页 |
| ·实验与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 结论 | 第55-57页 |
| ·工作总结 | 第55页 |
| ·进一步研究 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-62页 |
