基于多平台侦察信息的综合目标识别技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题研究的目的及其意义 | 第8页 |
| ·国内外研究的现状 | 第8-9页 |
| ·雷达辐射源的识别方法 | 第9-13页 |
| ·直接数据库比较查询法 | 第9-10页 |
| ·专家系统 | 第10-11页 |
| ·神经网络分析法 | 第11-12页 |
| ·支持向量分析法 | 第12-13页 |
| ·多传感器融合法 | 第13页 |
| ·本文主要研究的内容及特色 | 第13-14页 |
| ·本文组织结构 | 第14-15页 |
| 第二章 多平台同类信息关联 | 第15-22页 |
| ·改进的灰色绝对关联度 | 第15-16页 |
| ·测向定位法求时差 | 第16-18页 |
| ·仿真结果分析 | 第18-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 多平台信息融合在雷达辐射源识别中的应用 | 第22-35页 |
| ·数据融合 | 第22-26页 |
| ·数据融合的概述 | 第22页 |
| ·数据融合的处理结构 | 第22-24页 |
| ·最小二乘数据融合算法 | 第24-26页 |
| ·缓冲算子 | 第26-28页 |
| ·随机振荡序列的改进 | 第28-29页 |
| ·雷达辐射源识别中的数据融合 | 第29-30页 |
| ·仿真结果 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 雷达辐射源型号识别算法研究 | 第35-44页 |
| ·分类器模型 | 第35-36页 |
| ·径向基函数（RBF）神经网络算法 | 第36-38页 |
| ·RBF 神经网络结构 | 第36页 |
| ·RBF 网络输出计算 | 第36-37页 |
| ·RBF 网络的常规学习算法 | 第37-38页 |
| ·支持向量机（SVM）算法 | 第38-42页 |
| ·线性支持向量机 | 第39-40页 |
| ·非线性支持向量机 | 第40-41页 |
| ·多类问题中的SVM | 第41-42页 |
| ·仿真结果 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 雷达辐射源的综合识别及其实现 | 第44-50页 |
| ·雷达辐射源识别可信度计算方法及识别流程 | 第44-45页 |
| ·各参数在识别过程中的可信度计算方法 | 第44页 |
| ·识别可信度的计算方法 | 第44-45页 |
| ·识别流程 | 第45页 |
| ·雷达辐射源型号冲突裁决 | 第45页 |
| ·雷达辐射源综合识别系统及其算法流程 | 第45-47页 |
| ·雷达辐射源综合识别系统 | 第45-46页 |
| ·雷达辐射源综合识别的算法流程 | 第46-47页 |
| ·仿真结果 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| ·本文的工作总结 | 第50页 |
| ·研究展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录A | 第57-58页 |
| 作者在攻读硕士学位期间发表的论文及参与的项目 | 第57-58页 |
| 附录B | 第58-62页 |
| 软件基本操作说明 | 第58-62页 |
