声明
第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 DOA估计研究现状
1.2.2 机器学习研究现状
1.2.3 随机矩阵理论研究现状
1.3 课题研究的意义
1.4 本文内容安排
第2 章基础知识
2.1 矩阵论基础知识
2.1.1 特征值与特征向量
2.1.2 特征值分解
2.1.3 奇异值与奇异值分解
2.2 随机矩阵基础知识
2.2.1 常用的随机矩阵
2.2.2 Stieltjes变换
2.3 大维随机矩阵渐近谱理论知识
2.4 阵列信号处理基础知识
2.5 机器学习基础知识
2.5.1 神经网络的基本概念
2.5.2 支持向量机的基本概念
2.6 本章小结
第3章 基于支持向量机的DOA估计方法
3.1 阵列空间信号模型
3.2 传统DOA估计方法描述
3.2.1 Capon算法
3.2.2 MUSIC算法
3.3 基于支持向量机的DOA估计方法研究
3.3.1 SVM算法的理论基础
3.3.2 SVM实现多分类器的方法
3.3.3 基于SVM的DOA估计方法
3.4 仿真实验与分析
3.4.1 实验一：基于两种核函数的二分类SVM-DOA估计性能
3.4.2 实验二：单一信噪比训练的二分类SVM-DOA估计性能
3.4.3 实验三：多分类SVM-DOA估计与传统DOA估计性能
3.4.4 实验四：大阵列条件下多分类SVM-DOA估计性能
3.5 本章小结
第4章 基于随机矩阵理论和最小二乘支持向量机的大阵列DOA估计方法
4.1 最小二乘支持向量机原理描述
4.2 基于随机矩阵理论的核修正方法
4.2.1 谱聚类算法
4.2.2 基于随机矩阵理论的核函数修正方法
4.3 基于k-LSSVM的大阵列DOA估计方法
4.4 仿真实验与分析
4.4.1 实验一：基于k-LSSVM的大阵列DOA估计性能
4.4.2 实验二：单一信噪比训练的基于k-LSSVM的大阵列DOA估计性能
4.4.3 实验三：基于k-LSSVM、muticlass-SVM、MUSIC和Capon算法的大阵列DOA估计性能比较
4.4.4 实验四：不同核函数下基于LSSVM的大阵列DOA估计性能
4.5 本章小结
第5章 基于随机矩阵理论和极限学习机的大阵列DOA估计方法
5.1 极限学习机原理描述
5.2 常用的几种激活函数描述
5.2.1 Sigmoid函数
5.2.2 tanh函数
5.2.3 ReLU函数
5.2.4 PReLU函数
5.3 基于随机矩阵理论和ReLU-ELM的大阵列DOA估计方法
5.4 仿真实验与分析
5.4.1 实验一：基于极限学习机的大阵列DOA估计性能
5.4.2 实验二：不同激活函数下基于ELM的大阵列DOA估计性能
5.4.3 实验三：不同信噪比下基于ELM的大阵列DOA估计性能
5.4.4 实验四：基于ReLU-ELM、k-LSSVM、muticlass-SVM、MUSIC和Capon算法的大阵列DOA估计性能
5.4.5 实验五：时间复杂度比较实验
5.4.6 实验六：训练时间复杂度比较实验
5.5 本章小结
第6章 总结与展望
6.1 全文总结
6.2 未来展望
参考文献
作者简介及在学期间所取得的科研成果
致谢
吉林大学;
