| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 超宽带技术在目标识别中的研究现状 | 第11-13页 |
| 1.3 小波神经网络及其在目标识别中的研究现状 | 第13-14页 |
| 1.4 基于小波神经网络的UWB弱信号目标识别系统 | 第14页 |
| 1.5 论文主要工作和章节安排 | 第14-17页 |
| 第二章 基于小波神经网络的UWB弱信号目标识别原理 | 第17-31页 |
| 2.1 神经网络理论 | 第17-22页 |
| 2.1.1 神经网络简介 | 第17-18页 |
| 2.1.2 BP神经网络的结构与原理 | 第18-22页 |
| 2.2 小波分析理论及应用 | 第22-25页 |
| 2.2.1 小波分析理论基础 | 第22-24页 |
| 2.2.2 小波阈值降噪原理 | 第24-25页 |
| 2.3 小波神经网络 | 第25-27页 |
| 2.3.1 小波神经网络简介 | 第25-26页 |
| 2.3.2 小波神经网络的学习算法 | 第26-27页 |
| 2.4 基于小波神经网络的UWB弱信号目标识别方法 | 第27-30页 |
| 2.4.1 目标识别方法综述 | 第27-28页 |
| 2.4.2 特征参数提取 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 理论场景仿真及目标识别方法研究 | 第31-46页 |
| 3.1 目标识别算法研究方案 | 第31页 |
| 3.2 脉冲超宽带传输环境仿真 | 第31-33页 |
| 3.3 特征参数和小波基函数的选取 | 第33-37页 |
| 3.3.1 特征参数的选取 | 第33-34页 |
| 3.3.2 不同小波基函数对识别效果的影响 | 第34-37页 |
| 3.4 小波神经网络学习算法的选取 | 第37-39页 |
| 3.4.1 弹性后传算法RPROP | 第37-38页 |
| 3.4.2 两种学习算法的对比 | 第38-39页 |
| 3.5 小波去噪算法对识别效果的影响 | 第39-45页 |
| 3.5.1 不同噪声比中的识别效果 | 第39-42页 |
| 3.5.2 小波去噪后的识别效果分析 | 第42-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 实际场景测试及粒子群优化小波神经网络 | 第46-56页 |
| 4.1 实际测试场景描述 | 第46-47页 |
| 4.2 实测数据分析 | 第47-49页 |
| 4.2.1 接收信号 | 第47-48页 |
| 4.2.2 特征提取 | 第48-49页 |
| 4.2.3 结果分析 | 第49页 |
| 4.3 粒子群优化小波神经网络 | 第49-55页 |
| 4.3.1 粒子群算法原理 | 第49-52页 |
| 4.3.2 粒子群和小波神经网络的结合一PSO-WNN | 第52-53页 |
| 4.3.3 粒子群优化结果 | 第53-54页 |
| 4.3.4 PSO-WNN识别效果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 论文总结与展望 | 第56-58页 |
| 5.1 本文主要成果 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 作者攻读硕士学位期间发表的学术论文目录 | 第64页 |
