| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 图目录 | 第10-12页 |
| 表目录 | 第12-13页 |
| 缩略词表 | 第13-14页 |
| 第一章 绪论 | 第14-20页 |
| ·选题背景 | 第14-17页 |
| ·模糊神经网络的发展历史与现状 | 第15-16页 |
| ·模糊神经网络的发展趋势 | 第16-17页 |
| ·课题的研究意义 | 第17-18页 |
| ·本文研究工作及内容安排 | 第18-20页 |
| 第二章 基础理论 | 第20-34页 |
| ·引言 | 第20页 |
| ·模糊理论的基本知识 | 第20-26页 |
| ·模糊集合的定义和基本运算 | 第20-23页 |
| ·模糊逻辑和模糊推理 | 第23-25页 |
| ·常见的隶属度函数 | 第25-26页 |
| ·模糊逻辑系统 | 第26-29页 |
| ·模糊逻辑系统的组成 | 第26-27页 |
| ·纯模糊逻辑系统 | 第27-28页 |
| ·Takagi-Sugeno(TS)模糊逻辑系统 | 第28-29页 |
| ·模糊神经网络 | 第29-33页 |
| ·模糊系统和神经网络的融合 | 第29-30页 |
| ·模糊神经元 | 第30-31页 |
| ·模糊神经网络的结构特征 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 类间数据的研究及模糊神经网络学习算法改进 | 第34-49页 |
| ·引言 | 第34页 |
| ·T-S 模糊神经网络 | 第34-37页 |
| ·T-S 模糊神经网络的结构 | 第34-36页 |
| ·T-S 模糊神经网络学习算法 | 第36-37页 |
| ·对类间距离接近数据的研究 | 第37-40页 |
| ·改进的学习算法 | 第40-42页 |
| ·学习率的改进 | 第40-41页 |
| ·模糊隶属函数参数的改进 | 第41-42页 |
| ·仿真实例 | 第42-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 多模糊输入多模糊输出型模糊神经网络模型 | 第49-69页 |
| ·引言 | 第49页 |
| ·一种新型模糊神经网络的模型建立 | 第49-58页 |
| ·模型原理 | 第49-50页 |
| ·网络结构模型 | 第50-52页 |
| ·新型网络系统的逼近问题的证明 | 第52-55页 |
| ·学习算法的参数调整原则 | 第55-58页 |
| ·仿真流程和仿真实验 | 第58-68页 |
| ·仿真流程 | 第58-59页 |
| ·仿真实验与结果分析 | 第59-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 SAR 图像的特征提取及基于新型模型的目标识别 | 第69-86页 |
| ·引言 | 第69-70页 |
| ·SAR 图像及其噪声模型 | 第70-71页 |
| ·SAR 图像 | 第70页 |
| ·SAR 图像噪声模型 | 第70-71页 |
| ·基于矩特征量的 SAR 图像的特征提取 | 第71-76页 |
| ·规则矩的定义 | 第71-72页 |
| ·Hu 不变矩的定义 | 第72-74页 |
| ·特征向量的选择 | 第74-75页 |
| ·特征向量的计算 | 第75-76页 |
| ·基于新型模糊神经网络的 SAR 图像特征模糊识别 | 第76-84页 |
| ·系统结构 | 第76-77页 |
| ·数据选取和隶属度函数选择 | 第77-81页 |
| ·结果分析 | 第81-84页 |
| ·本章小结 | 第84-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-92页 |
| 攻硕期间取得的成果 | 第92-93页 |