基于舰船磁场—水压场的目标检测与识别
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·研究目的及意义 | 第7-8页 |
| ·研究现状 | 第8-10页 |
| ·舰船物理场的建模研究 | 第8-9页 |
| ·微弱信号检测 | 第9-10页 |
| ·模式识别与神经网络 | 第10页 |
| ·本文主要研究内容 | 第10-12页 |
| 第二章 舰船磁场建模 | 第12-21页 |
| ·舰船磁场数据的获得 | 第12-13页 |
| ·舰船磁场建模模型 | 第13-17页 |
| ·磁偶极子阵列模型 | 第14-15页 |
| ·旋转椭球体模型 | 第15-16页 |
| ·混合模型 | 第16-17页 |
| ·混合模型建模特性 | 第17-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 舰船水压场建模 | 第21-33页 |
| ·舰船水压场的基本特征 | 第21-22页 |
| ·舰船水压场的建模模型 | 第22-26页 |
| ·回转体模型 | 第23-25页 |
| ·浅水亚临界模型 | 第25-26页 |
| ·舰船水压场的水池模拟测量 | 第26-27页 |
| ·舰船水压场验模 | 第27-29页 |
| ·模型的修正 | 第29-32页 |
| ·负压峰值、最大负压区长度随横距的变化规律 | 第29-30页 |
| ·模型修正的实现 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 自适应处理在微弱信号检测上的应用 | 第33-50页 |
| ·自适应信号处理概述 | 第33-37页 |
| ·自适应线性组合器 | 第33-34页 |
| ·最小均方算法(LMS算法) | 第34-35页 |
| ·LMS算法的收敛性问题 | 第35-36页 |
| ·LMS算法的性能分析 | 第36-37页 |
| ·自适应权向量法 | 第37-40页 |
| ·自适应权向量法(AWVM)的基本理论 | 第37-38页 |
| ·AWVM稳定状态分析 | 第38-39页 |
| ·AWVM暂态性能分析 | 第39-40页 |
| ·AWVM在舰船微弱信号检测上的具体实现 | 第40-43页 |
| ·理论分析 | 第40-42页 |
| ·参数的含义及确定 | 第42-43页 |
| ·结果分析 | 第43-49页 |
| ·步长因子的影响 | 第43-44页 |
| ·仿真处理 | 第44-47页 |
| ·零偏的影响 | 第47-48页 |
| ·检测统计结果 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 舰船模式识别 | 第50-64页 |
| ·模式识别概述 | 第50-52页 |
| ·模式识别概念 | 第50页 |
| ·模式识别方法的比较 | 第50-51页 |
| ·模式识别系统 | 第51-52页 |
| ·人工神经网络概述 | 第52-54页 |
| ·MP模型 | 第52-53页 |
| ·神经网络的分类 | 第53页 |
| ·人工神经网络的特点 | 第53-54页 |
| ·舰船模式识别方法回顾 | 第54-55页 |
| ·径向基函数神经网络简介 | 第55-57页 |
| ·径向基函数映射原理 | 第55-56页 |
| ·径向基函数神经网络结构 | 第56-57页 |
| ·径向基函数神经网络的学习 | 第57-60页 |
| ·标准学习算法 | 第58页 |
| ·采用遗传算法进行优化的算法 | 第58-60页 |
| ·径向基函数神经网络在舰船模式识别上的应用 | 第60-63页 |
| ·舰船目标的特征提取及识别要求 | 第60-61页 |
| ·径向基函数网络的识别效果 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69页 |
