| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-32页 |
| 1.1 雷达辐射源个体识别概述 | 第12-15页 |
| 1.1.1 研究背景和意义 | 第12-14页 |
| 1.1.2 国内外发展现状 | 第14-15页 |
| 1.2 雷达辐射源个体识别系统设计 | 第15-24页 |
| 1.2.1 数据预处理 | 第16-18页 |
| 1.2.2 特征提取 | 第18-21页 |
| 1.2.3 分类器设计 | 第21-22页 |
| 1.2.4 信息融合 | 第22-24页 |
| 1.3 论文内容和章节安排 | 第24-26页 |
| 本章参考文献 | 第26-32页 |
| 第二章 雷达辐射源个体识别——特征篇 | 第32-54页 |
| 2.1 引言 | 第32-33页 |
| 2.2 模糊函数核函数优化法 | 第33-37页 |
| 2.2.1 模糊函数的基本概念 | 第33-35页 |
| 2.2.2 模糊函数核函数优化法 | 第35-37页 |
| 2.3 模糊函数切片特征提取与优化 | 第37-41页 |
| 2.3.1 AF零点切片特征提取 | 第37-39页 |
| 2.3.2 AF代表性切片特征提取 | 第39-40页 |
| 2.3.3 AF切片特征优化 | 第40-41页 |
| 2.4 实验结果与分析 | 第41-51页 |
| 2.5 本章小结 | 第51-52页 |
| 本章参考文献 | 第52-54页 |
| 第三章 雷达辐射源个体识别——机理篇 | 第54-82页 |
| 3.1 引言 | 第54-55页 |
| 3.2 雷达辐射源个体特征的产生机理 | 第55-59页 |
| 3.2.1 雷达发射机简介 | 第56-57页 |
| 3.2.2 无意调制特征的来源 | 第57-59页 |
| 3.3 辐射源信号模糊函数的无意调制分析 | 第59-69页 |
| 3.3.1 发射机无意调制信号的模糊函数推导 | 第59-63页 |
| 3.3.2 无意调制的模糊函数分析 | 第63-67页 |
| 3.3.3 实零切片——工程中的次最优选择 | 第67-69页 |
| 3.4 实验结果与分析 | 第69-80页 |
| 3.4.1 实零切片的有效性验证 | 第70-76页 |
| 3.4.2 副峰区域切片的性能 | 第76-80页 |
| 3.5 本章小结 | 第80-81页 |
| 本章参考文献 | 第81-82页 |
| 第四章 雷达辐射源个体识别——融合篇 | 第82-110页 |
| 4.1 引言 | 第82-83页 |
| 4.2 基于典型相关分析的辐射源特征融合 | 第83-93页 |
| 4.2.1 CCA的基本理论 | 第83-86页 |
| 4.2.2 判别典型相关分析（DCCA） | 第86-87页 |
| 4.2.3 基于CCA/DCCA的融合特征抽取 | 第87-88页 |
| 4.2.4 实验结果与分析 | 第88-93页 |
| 4.3 基于典型相关分析的模糊函数切片特征融合 | 第93-100页 |
| 4.3.1 切片特征融合的背景及策略 | 第93-95页 |
| 4.3.2 实验结果与分析 | 第95-100页 |
| 4.4 多集策略下的模糊函数切片特征融合 | 第100-107页 |
| 4.4.1 MCCA的基本理论 | 第100-104页 |
| 4.4.2 切片特征的多集融合策略 | 第104页 |
| 4.4.3 实验结果与分析 | 第104-107页 |
| 4.5 本章小结 | 第107-108页 |
| 本章参考文献 | 第108-110页 |
| 第五章 雷达辐射源个体识别——在线篇 | 第110-142页 |
| 5.1 引言 | 第110-111页 |
| 5.2 增量学习概述 | 第111-112页 |
| 5.3 基于在线独立支持向量机的辐射源个体识别 | 第112-119页 |
| 5.3.1 在线独立支持向量机（OISVM） | 第112-115页 |
| 5.3.2 基于OISVM的雷达辐射源在线学习与更新 | 第115-116页 |
| 5.3.3 实验结果与分析 | 第116-119页 |
| 5.4 基于在线模糊加权的鲁棒PA算法 | 第119-136页 |
| 5.4.1 在线学习与模糊加权 | 第119-120页 |
| 5.4.2 在线模糊加权 | 第120-124页 |
| 5.4.3 模糊PA算法 | 第124-127页 |
| 5.4.4 实验结果与分析 | 第127-136页 |
| 5.5 本章小结 | 第136-138页 |
| 本章参考文献 | 第138-142页 |
| 第六章 基于图像移位的二维判别分析 | 第142-180页 |
| 6.1 引言 | 第142-143页 |
| 6.2 二维移位判别分析 | 第143-156页 |
| 6.2.1 LDA与 2DLDA散布矩阵的分析 | 第143-146页 |
| 6.2.2 二维移位判别分析（2DSDA） | 第146-148页 |
| 6.2.3 2DSDA在掌纹识别中的应用 | 第148-153页 |
| 6.2.4 2DSDA在近红外人脸识别中的应用 | 第153-156页 |
| 6.3 变形判别分析 | 第156-175页 |
| 6.3.1 变形判别分析（TransDA） | 第156-158页 |
| 6.3.2 TransDA算法性能分析 | 第158-162页 |
| 6.3.3 TransDA在人脸识别中的应用 | 第162-171页 |
| 6.3.4 TransDA在高光谱人脸识别中的应用 | 第171-173页 |
| 6.3.5 雷达辐射源个体识别实验 | 第173-175页 |
| 6.4 本章小结 | 第175-176页 |
| 本章参考文献 | 第176-180页 |
| 第七章 无约束型的鲁棒聚类算法研究 | 第180-208页 |
| 7.1 引言 | 第180-181页 |
| 7.2 模糊C均值聚类算法及其分析 | 第181-183页 |
| 7.2.1 模糊C均值聚类算法 | 第181-183页 |
| 7.2.2 模糊C均值聚类算法的分析 | 第183页 |
| 7.3 基于高斯估计量的鲁棒聚类 | 第183-189页 |
| 7.3.1 鲁棒统计特征 | 第183-184页 |
| 7.3.2 基于M估计量的鲁棒聚类 | 第184-185页 |
| 7.3.3 鲁棒高斯聚类 | 第185-186页 |
| 7.3.4 实验结果与分析 | 第186-189页 |
| 7.4 基于可能性熵准则的鲁棒聚类 | 第189-199页 |
| 7.4.1 可能性熵 | 第190-192页 |
| 7.4.2 可能性熵聚类 | 第192-193页 |
| 7.4.3 迭代方案 | 第193-194页 |
| 7.4.4 距离矩阵的选择 | 第194-195页 |
| 7.4.5 实验结果与分析 | 第195-199页 |
| 7.5 完全无监督的可能性熵聚类 | 第199-204页 |
| 7.5.1 完全无监督的策略 | 第199-200页 |
| 7.5.2 算法综述与示例 | 第200-202页 |
| 7.5.3 实验结果与分析 | 第202-204页 |
| 7.6 本章小结 | 第204-205页 |
| 本章参考文献 | 第205-208页 |
| 第八章 总结与展望 | 第208-212页 |
| 8.1 全文总结 | 第208-210页 |
| 8.2 未来展望 | 第210页 |
| 本章参考文献 | 第210-212页 |
| 附录A | 第212-215页 |
| 附录B | 第215-216页 |
| 附录C | 第216-218页 |
| 致谢 | 第218-220页 |
| 作者在读期间的研究成果 | 第220-222页 |