第1章  核方法基本理論
  1.1  引言
  1.2  核方法的基本概念
  1.3  支持向量機(jī)（SVM）
    1.3.1  最優(yōu)分類超平面
    1.3.2  構(gòu)造最優(yōu)超平面
    1.3.3  廣義最優(yōu)分類面
    1.3.4  高維空間中的最優(yōu)分類面
    1.3.5  構(gòu)造SVM
  1.4  支持向量數(shù)據(jù)描述（SVDD）
  參考文獻(xiàn)
第2章  SVM可分性與模型多參數(shù)優(yōu)化選擇
  2.1  引言
  2.2  SVM可分性研究
    2.2.1  線性可分的定義
    2.2.2  SVM線性可分充要條件
    2.2.3  SVM線性可分性的度量
    2.2.4  懲罰因子C對分類性能的影響
  2.3  SVM模型多參數(shù)優(yōu)化選擇
    2.3.1  SVM模型單參數(shù)最優(yōu)選擇問題
    2.3.2  非均衡數(shù)據(jù)目標(biāo)識別SVM模型參數(shù)優(yōu)化選擇方法
    2.3.3  實驗結(jié)果與分析
  參考文獻(xiàn)
第3章  基于核判別分析的雷達(dá)高分辨距離像識別
  3.1  引言
  3.2  基于KPCA的特征提取和識別
    3.2.1  主分量分析方法（PCA）
    3.2.2  核主分量分析方法（KPCA）
    3.2.3  KPCA與PCA的比較
    3.2.4  算法實現(xiàn)
    3.2.5  實驗結(jié)果與分析
  3.3  基于KDDA的特征提取和識別
    3.3.1  線性判別分析（LDA）方法
    3.3.2  直接判別分析（D—LDA）方法
    3.3.3  核直接判別分析（KDDA）方法
    3.3.4  基于KDDA的特征提取和識別算法
    3.3.5  實驗結(jié)果與分析
  3.4  基于核局部均值判別分析的特征提取和識別
    3.4.1  核Fisher判別分析（KFDA）
    3.4.2  局部均值判別分析（LMDA）
    3.4.3  核局部均值判別分析（KLMDA）
    3.4.4  KLMDA與KFDA、KDDA、CKFD的性能分析
    3.4.5  實驗結(jié)果與分析
  參考文獻(xiàn)
第4章  基于核聚類的雷達(dá)高分辨距離像識別
  4.1  引言
  4.2  基于核C均值聚類的HRRP識別
    4.2.1  C均值聚類算法
    4.2.2  核C均值聚類算法
    4.2.3  核C均值聚類算法的核參數(shù)優(yōu)化選取
    4.2.4  基于核C均值聚類的高分辨距離像識別方法
    4.2.5  實驗結(jié)果與分析
  4.3  基于模糊核C均值聚類的HRRP識別
    4.3.1  模糊C均值聚類算法
    4.3.2  模糊核C均值聚類算法
    4.3.3  自適應(yīng)模糊核C均值聚類算法
    4.3.4  基于模糊核C均值聚類的高分辨距離像識別方法
    4.3.5  實驗結(jié)果與分析
  參考文獻(xiàn)
第5章  基于SVM的多目標(biāo)分類識別
  5.1  引言
  5.2  基于K最近鄰的SVM快速訓(xùn)練算法
    5.2.1  KNN—SVM算法的基本思路
    5.2.2  KNN—SVM算法的基本步驟
    5.2.3  實驗結(jié)果與分析
  5.3  基于K最近鄰的快速SVM增量學(xué)習(xí)算法
    5.3.1  KNN—ISVM算法的基本思路
    5.3.2  邊界向量提取方法
    5.3.3  KNN—ISVM算法的主要步驟
    5.3.4  實驗結(jié)果與分析
  5.4  基于核分級聚類的SVM多類分類算法
    5.4.1  分級聚類算法的改進(jìn)
    5.4.2  核分級聚類算法
    5.4.3  基于核分級聚類的SVM多類分類算法
    5.4.4  實驗結(jié)果與分析
  參考文獻(xiàn)
第6章  基于單空間SVDD的雷達(dá)高分辨距離像識別
  6.1  引言
  6.2  SVDD超球空間分布特性和拒判域
    6.2.1  HRRP在SVDD超球空間的分布特性
    6.2.2  SVDD多目標(biāo)識別中的拒判問題
  6.3  SVDD序貫最小相對距離多類目標(biāo)識別
    6.3.1  SVDD多目標(biāo)識別的拒判域處理
    6.3.2  SVDD多目標(biāo)識別訓(xùn)練算法
    6.3.3  最小相對距離SVDD多目標(biāo)識別算法
    6.3.4  序貫最小相對距離SVDD多類目標(biāo)識別算法
    6.3.5  實驗結(jié)果與分析
  6.4  基于SVDD的雷達(dá)多目標(biāo)模糊識別方法
    6.4.1  基于SVDD的雷達(dá)多目標(biāo)模糊識別方法
    6.4.2  實驗結(jié)果與分析
  參考文獻(xiàn)
第7章  基于自適應(yīng)SVDD的雷達(dá)高分辨距離像識別
  7.1  引言
  7.2  SVDD模型參數(shù)的影響
    7.2.1  核參數(shù)的影響
    7.2.2  懲罰因子C的影響
  7.3  基于自適應(yīng)SVDD的雷達(dá)高分辨距離像識別
    7.3.1  二次訓(xùn)練
    7.3.2  最優(yōu)超球半徑選擇
    7.3.3  基于常規(guī)SVDD的HRRP目標(biāo)識別流程
    7.3.4  噪聲分析
    7.3.5  自適應(yīng)超球半徑模型
    7.3.6  基于自適應(yīng)SVDD的HRRP目標(biāo)識別流程
  7.4  實驗結(jié)果與分析
    7.4.1  高斯白噪聲情況
    7.4.2  海雜波
  參考文獻(xiàn)
第8章  基于雙空間SVDD的雷達(dá)高分辨距離像識別
  8.1  引言
  8.2  超球空間HRRP的歸屬特性分析
  8.3  延拓空間的樣本分布建模
    8.3.1  延拓樣本分布的隸屬度模型
    8.3.2  延拓樣本分布的云模型
    8.3.3  延拓樣本分布的高斯混合模型
    8.3.4  參數(shù)估計
  8.4  基于雙空間SVDD的高分辨距離像識別方法
  8.5  實驗結(jié)果與分析
    8.5.1  模型參數(shù)選擇
    8.5.2  識別實驗結(jié)果
    8.5.3  實驗結(jié)果分析
  參考文獻(xiàn)
第9章  基于ISVDD的雷達(dá)高分辨距離像在線識別
  9.1  引言
  9.2  支持向量數(shù)據(jù)描述的增量泛化性能分析
    9.2.1  SVDD的KKT條件
    9.2.2  SVDD的訓(xùn)練樣本分布特性
    9.2.3  增量樣本的超球空間分布特性
    9.2.4  實驗結(jié)果與分析
  9.3  一種適于在線學(xué)習(xí)的增量支持向量數(shù)據(jù)描述算法
    9.3.1  增量支持向量數(shù)據(jù)描述
    9.3.2  ISVDD性能分析
    9.3.3  實驗結(jié)果與分析
  9.4  基于ISVDD的雷達(dá)高分辨距離像在線識別方法
    9.4.1  分方位幀建模
    9.4.2  全方位HRRP的等間隔分幀
    9.4.3  基于ISVDD的HRRP在線識別方法
    9.4.4  實驗結(jié)果與分析
  參考文獻(xiàn)
第10章  特征空間數(shù)據(jù)核矩陣收縮方法
  10.1  引言
  10.2  非線性可分與不可分問題
  10.3  特征空間數(shù)據(jù)核矩陣收縮方法
    10.3.1  數(shù)據(jù)在特征空間的收縮因子
    10.3.2  數(shù)據(jù)在特征空間收縮后的核矩陣
    10.3.3  數(shù)據(jù)在特征空間收縮方法
  10.4  實驗結(jié)果與分析
    10.4.1  二維數(shù)據(jù)收縮實驗
    10.4.2  特征空間數(shù)據(jù)核矩陣收縮實驗
附錄A  式（3.70）的推導(dǎo)
附錄B  式（3.75）的推導(dǎo)
附錄C  式（3.90）的推導(dǎo)
附錄D  式（3.94）的推導(dǎo)
參考文獻(xiàn)