| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·引言 | 第7-8页 |
| ·本文研究的背景和意义 | 第8-9页 |
| ·研究历史与现状 | 第9-11页 |
| ·本文的主要工作 | 第11-13页 |
| 第二章 基于统计学习理论的目标识别系统概述 | 第13-23页 |
| ·引言 | 第13页 |
| ·统计学习理论 | 第13-20页 |
| ·学习问题的模型 | 第13-15页 |
| ·VC维 | 第15-17页 |
| ·推广能力的界 | 第17-19页 |
| ·结构风险最小化原则与支持向量机 | 第19-20页 |
| ·目标识别系统简介 | 第20-22页 |
| ·信息获取 | 第20-21页 |
| ·预处理与特征提取 | 第21-22页 |
| ·分类器设计与分类决策 | 第22页 |
| ·小结 | 第22-23页 |
| 第三章 基于简单散射点模型的高分辨雷达目标特征提取 | 第23-42页 |
| ·引言 | 第23页 |
| ·雷达高分辨距离像及其性质 | 第23-29页 |
| ·雷达高分辨一维距离像性质 | 第25-29页 |
| ·电磁几何绕射理论 | 第29-31页 |
| ·离散余弦变换 | 第31-33页 |
| ·用relax算法提取目标散射中心参数 | 第33-36页 |
| ·基于DCT及RLAX的仿真试验 | 第36-40页 |
| ·小结 | 第40-42页 |
| 第四章 支持向量机的核函数方法及数学模型 | 第42-54页 |
| ·核函数方法 | 第42-47页 |
| ·一些与核函数有关的概念 | 第42-43页 |
| ·积分核定义 | 第42页 |
| ·Hilbert-Schmidt定理 | 第42-43页 |
| ·Hilbert空间中的核函数及性质 | 第43-44页 |
| ·Hilbert空间中的核函数 | 第43页 |
| ·Hilbert空间中核函数的性质 | 第43-44页 |
| ·Mercer核理论 | 第44-47页 |
| ·核特征空间的非线性方法 | 第44-45页 |
| ·Mercer条件 | 第45-46页 |
| ·核函数的构建 | 第46-47页 |
| ·支持向量机的数学模型 | 第47-53页 |
| ·线性支持向量机 | 第48-50页 |
| ·非线性支持向量机 | 第50-52页 |
| ·支持向量机的应用 | 第52页 |
| ·关干核函数选择的探讨 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第五章 基于支持向量机的雷达目标识别 | 第54-65页 |
| ·引言 | 第54-55页 |
| ·现有的几种分类方法 | 第55-57页 |
| ·基于SVM的SAR识别 | 第57-62页 |
| ·仿真试验与结果 | 第60-62页 |
| ·基于SVM的HRRP识别 | 第62-64页 |
| ·仿真试验与结果 | 第64页 |
| ·小结 | 第64-65页 |
| 第六章 结束语 | 第65-67页 |
| ·本文的主要工作 | 第65-66页 |
| ·需要进一步研究的内容 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 附录1.攻读学位期间发表(已投)的论文 | 第74页 |