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(lèi)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(lèi)面
    1.3.4  高維空間中的最優(yōu)分類(lèi)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(duì)分類(lèi)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(wèn)題
    2.3.2  非均衡數(shù)據(jù)目標(biāo)識(shí)別SVM模型參數(shù)優(yōu)化選擇方法
    2.3.3  實(shí)驗(yàn)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(shí)別
  3.1  引言
  3.2  基于KPCA的特征提取和識(shí)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(shí)現(xiàn)
    3.2.5  實(shí)驗(yàn)結(jié)果與分析
  3.3  基于KDDA的特征提取和識(shí)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(shí)別算法
    3.3.5  實(shí)驗(yàn)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(shí)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(shí)驗(yàn)結(jié)果與分析
  參考文獻(xiàn)
第4章  基于核聚類(lèi)的雷達(dá)高分辨距離像識(shí)別
  4.1  引言
  4.2  基于核C均值聚類(lèi)的HRRP識(shí)別
    4.2.1  C均值聚類(lèi)算法
    4.2.2  核C均值聚類(lèi)算法
    4.2.3  核C均值聚類(lèi)算法的核參數(shù)優(yōu)化選取
    4.2.4  基于核C均值聚類(lèi)的高分辨距離像識(shí)別方法
    4.2.5  實(shí)驗(yàn)結(jié)果與分析
  4.3  基于模糊核C均值聚類(lèi)的HRRP識(shí)別
    4.3.1  模糊C均值聚類(lèi)算法
    4.3.2  模糊核C均值聚類(lèi)算法
    4.3.3  自適應(yīng)模糊核C均值聚類(lèi)算法
    4.3.4  基于模糊核C均值聚類(lèi)的高分辨距離像識(shí)別方法
    4.3.5  實(shí)驗(yàn)結(jié)果與分析
  參考文獻(xiàn)
第5章  基于SVM的多目標(biāo)分類(lèi)識(shí)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(shí)驗(yàn)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(shí)驗(yàn)結(jié)果與分析
  5.4  基于核分級(jí)聚類(lèi)的SVM多類(lèi)分類(lèi)算法
    5.4.1  分級(jí)聚類(lèi)算法的改進(jìn)
    5.4.2  核分級(jí)聚類(lèi)算法
    5.4.3  基于核分級(jí)聚類(lèi)的SVM多類(lèi)分類(lèi)算法
    5.4.4  實(shí)驗(yàn)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(shí)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(shí)別中的拒判問(wèn)題
  6.3  SVDD序貫最小相對(duì)距離多類(lèi)目標(biāo)識(shí)別
    6.3.1  SVDD多目標(biāo)識(shí)別的拒判域處理
    6.3.2  SVDD多目標(biāo)識(shí)別訓(xùn)練算法
    6.3.3  最小相對(duì)距離SVDD多目標(biāo)識(shí)別算法
    6.3.4  序貫最小相對(duì)距離SVDD多類(lèi)目標(biāo)識(shí)別算法
    6.3.5  實(shí)驗(yàn)結(jié)果與分析
  6.4  基于SVDD的雷達(dá)多目標(biāo)模糊識(shí)別方法
    6.4.1  基于SVDD的雷達(dá)多目標(biāo)模糊識(shí)別方法
    6.4.2  實(shí)驗(yàn)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(shí)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(shí)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(shí)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(shí)別流程
  7.4  實(shí)驗(yàn)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(shí)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(jì)
  8.4  基于雙空間SVDD的高分辨距離像識(shí)別方法
  8.5  實(shí)驗(yàn)結(jié)果與分析
    8.5.1  模型參數(shù)選擇
    8.5.2  識(shí)別實(shí)驗(yàn)結(jié)果
    8.5.3  實(shí)驗(yàn)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(shí)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(shí)驗(yàn)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(shí)驗(yàn)結(jié)果與分析
  9.4  基于ISVDD的雷達(dá)高分辨距離像在線識(shí)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(shí)別方法
    9.4.4  實(shí)驗(yàn)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(wèn)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(shí)驗(yàn)結(jié)果與分析
    10.4.1  二維數(shù)據(jù)收縮實(shí)驗(yàn)
    10.4.2  特征空間數(shù)據(jù)核矩陣收縮實(shí)驗(yàn)
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)