基于支持向量机的无线电异常信号识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文的研究目标与主要内容 | 第11-13页 |
| 2 预备知识 | 第13-28页 |
| ·无线电异常信号分析 | 第13-17页 |
| ·广播频段异常信号分析 | 第14-15页 |
| ·C 波段异常信号分析 | 第15-17页 |
| ·支持向量机发展历史 | 第17-18页 |
| ·支持向量机分类理论 | 第18-23页 |
| ·线性支持向量机 | 第19-20页 |
| ·非线性支持向量机 | 第20-22页 |
| ·支持向量机核函数 | 第22-23页 |
| ·支持向量机回归 | 第23-26页 |
| ·支持向量机模型及参数选择 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 基于 SVMs 的广播频段异常信号识别 | 第28-36页 |
| ·信号特征类型 | 第28页 |
| ·信号特征提取 | 第28-30页 |
| ·模型构建及参数选择 | 第30-32页 |
| ·实验结果 | 第32-34页 |
| ·本章小结 | 第34-36页 |
| 4 基于 SVMs 的 C 波段异常信号识别 | 第36-47页 |
| ·多维信号特征选择 | 第36-37页 |
| ·多分类信号识别方法 | 第37-39页 |
| ·一对多组合分类法（OAA） | 第37-38页 |
| ·一对一组合分类法（OAO） | 第38-39页 |
| ·SVM 模型参数优化算法 | 第39-40页 |
| ·网络交叉验证法（Grid） | 第39-40页 |
| ·遗传算法（GA） | 第40页 |
| ·粒子群优化算法（PSO） | 第40页 |
| ·SVM 多分类与 BPNN 对比实验研究 | 第40-43页 |
| ·SVM 模型及参数优化 | 第40-41页 |
| ·神经网络模型及参数选择 | 第41页 |
| ·实验结果及讨论 | 第41-43页 |
| ·SVM 不同优化算法及核函数对比研究 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第51-52页 |
| 致谢 | 第52-53页 |
