| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·神经网络集成研究的历史与现状 | 第7-8页 |
| ·神经网络集成在雷达辐射源识别中的应用 | 第8-10页 |
| ·传统的雷达辐射源识别技术 | 第8-9页 |
| ·基于神经网络集成的雷达辐射源识别技术 | 第9-10页 |
| ·本文的主要工作和组织结构 | 第10-11页 |
| 第二章 雷达辐射源样本处理与基分类器设计 | 第11-21页 |
| ·雷达辐射源特征提取及归一化 | 第11-15页 |
| ·特征参数的提取 | 第11-13页 |
| ·特征参数归一化 | 第13-15页 |
| ·径向基神经网络 | 第15-18页 |
| ·RBF神经网络的拓扑结构 | 第15-16页 |
| ·RBF神经网络的学习算法 | 第16-18页 |
| ·基于RBF神经网络的雷达辐射源分类识别 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于Bagging算法的径向基神经网络集成方法 | 第21-29页 |
| ·神经网络集成学习 | 第21-23页 |
| ·Bagging算法 | 第23-25页 |
| ·Bagging算法描述 | 第23-24页 |
| ·Bagging算法理论分析 | 第24-25页 |
| ·多分类器联合 | 第25-26页 |
| ·实验与分析 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于细胞自动机的改进集成学习算法 | 第29-51页 |
| ·细胞自动机 | 第29-36页 |
| ·细胞自动机的构成 | 第30-32页 |
| ·细胞自动机的特性 | 第32-34页 |
| ·细胞自动机的应用 | 第34-36页 |
| ·基于细胞自动机的改进Bagging算法 | 第36-47页 |
| ·算法流程介绍 | 第36-37页 |
| ·算法中细胞自动机的模型 | 第37-45页 |
| ·算法的具体实现 | 第45-47页 |
| ·实验与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 雷达辐射源识别的实验结果及分析 | 第51-55页 |
| ·实验样本集 | 第51页 |
| ·细胞自动机模型 | 第51-52页 |
| ·雷达辐射源分类识别实验结果分析 | 第52-55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59-63页 |
| 研究成果 | 第63页 |