| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 相关技术国内外研究进展 | 第12-18页 |
| 1.2.1 红外对抗评估 | 第12-15页 |
| 1.2.2 神经网络技术 | 第15-18页 |
| 1.3 论文主要研究工作 | 第18-20页 |
| 第二章 贝叶斯验前分布的构造方法研究 | 第20-45页 |
| 2.1 传统贝叶斯构造方法 | 第20-22页 |
| 2.2 混合验前分布构造方法 | 第22-33页 |
| 2.2.1 混合验前分布基本公式 | 第22-23页 |
| 2.2.2 基于静态一致性检验方法确定混合参数 | 第23-25页 |
| 2.2.3 基于验前信息可信度方法确定混合参数 | 第25-27页 |
| 2.2.4 基于验后边缘分布方法确定混合参数 | 第27-31页 |
| 2.2.5 算例 | 第31-33页 |
| 2.3 幂验前分布构造方法 | 第33-44页 |
| 2.3.1 幂验前分布方法的基本原理 | 第33-35页 |
| 2.3.2 幂验前分布的特性分析 | 第35-38页 |
| 2.3.4 修正幂验前分布方法 | 第38-42页 |
| 2.3.5 MSE分析 | 第42-43页 |
| 2.3.6 算例 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第三章 基于神经网络的空空导弹抗干扰性能评估 | 第45-76页 |
| 3.1 BP神经网络 | 第45-51页 |
| 3.1.1 基于梯度下降法的训练方法 | 第45-49页 |
| 3.1.2 基于L-M算法的训练方法 | 第49-51页 |
| 3.2 贝叶斯正则化神经网络 | 第51-58页 |
| 3.2.1 优化目标函数的贝叶斯解释 | 第52-53页 |
| 3.2.2 贝叶斯正则化神经网络公式推导 | 第53-56页 |
| 3.2.3 贝叶斯正则化神经网络泛化能力的算例说明 | 第56-58页 |
| 3.3 红外空空导弹抗干扰性能评估指标体系 | 第58-61页 |
| 3.3.1 红外导引系统指标体系 | 第58-59页 |
| 3.3.2 制导与控制系统指标体系 | 第59-60页 |
| 3.3.3 空空导弹抗干扰性能指标体系的建立 | 第60-61页 |
| 3.4 基于神经网络的抗干扰评估方法 | 第61-69页 |
| 3.4.1 基于专家打分的神经网络评估方法 | 第61-65页 |
| 3.4.2 多指标权重的神经网络评估方法 | 第65-66页 |
| 3.4.3 迭代神经网络方法 | 第66-69页 |
| 3.5 基于层次分析法的抗干扰评估 | 第69-75页 |
| 3.6 本章小结 | 第75-76页 |
| 第四章 基于复杂对抗环境的空空导弹抗干扰评估 | 第76-88页 |
| 4.1 基于环境因子模型假设的抗干扰评估 | 第76-82页 |
| 4.1.1 利用幂验前分布方法确定联合验后密度函数 | 第76-77页 |
| 4.1.2 MCMC方法 | 第77-79页 |
| 4.1.3 算例 | 第79-82页 |
| 4.2 基于环境复杂度模型假设的抗干扰评估 | 第82-87页 |
| 4.2.1 神经网络建立环境复杂度与分布参数的映射关系 | 第83-85页 |
| 4.2.2 由神经网络获取验前密度函数 | 第85-86页 |
| 4.2.3 利用混合验前分布方法确定验后密度函数 | 第86-87页 |
| 4.3 本章小结 | 第87-88页 |
| 结束语 | 第88-90页 |
| 工作总结 | 第88页 |
| 研究展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-97页 |
| 作者在学期间取得的学术成果 | 第97-98页 |
| 附录A Parzen方法估计密度函数 | 第98页 |
