RBF神经网络和支持向量机在雷达目标识别中的应用
| 第一章 绪论 | 第1-14页 |
| §1．1 机器学习理论概述 | 第10-11页 |
| §1．2 雷达目标识别研究现状和发展趋势 | 第11-13页 |
| §1．3 本文的主要工作 | 第13-14页 |
| 第二章 RBF神经网络在目标识别中的应用 | 第14-34页 |
| §2．1 RBF神经网络模型 | 第14-16页 |
| 2．1．1 正规化网络 | 第14-15页 |
| 2．1．2 广义径向基函数网络 | 第15-16页 |
| §2．2 RBF神经网络训练算法 | 第16-24页 |
| 2．2．1 FCM训练算法 | 第18-19页 |
| 2．2．2 FLVQ训练算法 | 第19-21页 |
| 2．2．3 AFOLS训练算法 | 第21-24页 |
| §2．3 RBF网络性能分析 | 第24-26页 |
| 2．3．1 RBF网络的逼近性能 | 第24-25页 |
| 2．3．2 RBF网络的泛化能力和计算复杂性 | 第25-26页 |
| §2．4 RBF网络在目标识别中的应用 | 第26-34页 |
| 2．4．1 IRIS数据 | 第26-27页 |
| 2．4．2 四类飞机目标ISAR数据 | 第27-29页 |
| 2．4．3 四类飞机目标暗室测量数据 | 第29-34页 |
| 第三章 支持向量机在目标识别中的应用 | 第34-46页 |
| §3．1 支持向量机原理 | 第34-39页 |
| 3．1．1 最优分类超平面 | 第34-37页 |
| 3．1．2 支持向量机 | 第37-38页 |
| 3．1．3 内积核 | 第38-39页 |
| §3．2 支持向量机训练方法 | 第39-43页 |
| 3．2．1 两类SVM分类器 | 第39-41页 |
| 3．2．2 多类SVM分类器 | 第41-43页 |
| §3．3 支持向量机在目标识别中的应用 | 第43-46页 |
| 3．3．1 IRIS数据 | 第43-44页 |
| 3．3．2 四类飞机目标ISAR数据 | 第44页 |
| 3．3．3 四类飞机目标暗室测量数据 | 第44-46页 |
| 第四章 雷达目标识别样机识别方法工程化研究 | 第46-64页 |
| §4．1 算法介绍 | 第46-57页 |
| 4．1．1 K—近邻分类器 | 第46-47页 |
| 4．1．2 正则变换分类器 | 第47-49页 |
| 4．1．3 模糊极大极小分类器 | 第49-52页 |
| 4．1．4 RBF神经网络分类器 | 第52-53页 |
| 4．1．5 BP神经网络分类器 | 第53-56页 |
| 4．1．6 目标识别算法软件界面 | 第56-57页 |
| §4．2 多分类器组合 | 第57-60页 |
| 4．2．1 多分类器集成方法综述 | 第57-58页 |
| 4．2．2 基于置信度加权融合集成 | 第58-60页 |
| §4．3 分类器的评价与比较 | 第60-63页 |
| 4．3．1 大样本实验 | 第60-62页 |
| 4．3．2 小样本实验 | 第62-63页 |
| §4．4 小结 | 第63-64页 |
| 第五章 结束语 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 发表论文情况 | 第70页 |
