第1章 绪论

1.1研究背景和意义

1.2多传感器信息融合

1.2.1定义与一般模型

1.2.2信息融合的主要技术和方法

1.3基于多传感器信息融合的目标识别

1.3.1融合识别的三个层次

1.3.2融合识别研究现状

1.4支持向量机的发展和研究现状

第2章 统计学习与支持向量机

2.1统计学习理论

2.1.1机器学习中的期望风险与经验风险

2.1.2 VC维理论

2.1.3结构风险最小原则

2.2支持向量机

2.2.1线性可分最优分类

2.2.2线性不可分最优分类

2.2.3 SVM的一般形式

2.2.4常用的核函数

2.2.5应用SVM的一般步骤

2.2.6 SVM多类分类

第3章 基于支持向量机的目标特征库的建立

3.1 UCI开放实测特征库介绍

3.2图像的特征提取

3.2.1图像不变矩

3.2.2主成分分析

3.3低分辨率图像特征库的组建及SVM识别性能比较

3.3.1低分辨率图像特征库的组建

3.3.2基于三种特征库的SVM识别性能比较

3.4高分辨率图像特征库的组建及SVM识别性能比较

3.4.1高分辨率图像特征库的组建

3.4.2基于两种特征库的SVM识别性能比较

3.5两类装甲车辆特征库的建立

3.5.1图像获取

3.5.2基于Mean Shift的图像平滑与分割

3.5.3装甲车辆红外特征库与可见光特征库的建立

3.5.4特征融合及融合特征库的建立

3.5.5基于各特征库的SVM识别效率比较

第4章 支持向量机模型选择

4.1传统模型选择方法

4.1.1 k-折交叉验证

4.1.2 LOO误差

4.1.3 LOO误差上界

4.2基于改进Joachims上界的模型选择方法

4.2.1两个LOO误差上界的等价性

4.2.2改进的Joachims上界

4.2.3模拟实验

4.3基于类间距的两步模型选择法

4.3.1 RBF核参数对空间映射的影响

4.3.2基于ICMD的核参数评价方法

4.4 SVM模型选择实验

第5章 支持向量机特征选择

5.1特征选择的基本问题

5.1.1特征的打分策略

5.1.2特征的去留策略

5.1.3特征的搜索策略

5.2传统的特征选择方法

5.2.1 Relief算法

5.2.2基于k-折交叉验证的SVM - RFE方法

5.3基于改进LOO误差上界的SVM-RFE方法

5.4基于核空间类间距的SVM-RFE方法

5.5特征选择方法实验比较

第6章 基于增后特征库的支持向量机

6.1增后特征库的定义和性质

6.2基于增后特征库的SVM目标识别

6.3模拟实验

6.3.1 5-折交叉验证结果比较

6.3.2对测试集的识别实验

第7章 支持向量机目标识别的软件实现

7.1特征库的建设

7.2支持向量机的训练

7.3支持向量机的识别

第8章 总结与展望

参考文献