ВВЕДЕНИЕ
1. КЛАССИЧЕСКАЯ ТЕОРИЯ ПРИНЯТИЯ РЕШЕНИЙ
1.1. Проверка гипотез
1.2. Критерии минимума среднего риска (критерии Байеса)
1.3. Многоальтернативная проверка гипотез
2. КЛАССИФИКАТОРЫ, РАЗДЕЛЯЮЩИЕ ФУНКЦИИ И ПОВЕРХНОСТИ РЕШЕНИЙ
2.1. Случай многих классов
2.2. Вероятности ошибок и интегралы ошибок
2.3. Правило принятия решения при нормальной плотности вероятностей признаков
3. ОЦЕНКА ПАРАМЕТРОВ И ОБУЧЕНИЕ С УЧИТЕЛЕМ
3.1. Оценка по максимуму правдоподобия
3.2. Байесовский классификатор
3.3. Эффективность оценки. Нижняя граница дисперсии несмещенной оценки. Неравенство Крамера — Рао
4. НЕПАРАМЕТРИЧЕСКИЕ МЕТОДЫ
4.1. Оценка плотности распределения
4.1.1. Парзеновские окна
4.1.2. Оценка методом k n ближайших соседей
4.2. Оценка апостериорных вероятностей. Правило ближайших соседей
4.3. Аппроксимации путем разложения в ряд
4.4. Линейный дискриминант Фишера
4.5. Множественный дискриминантный анализ
5. НЕЙРОННЫЕ СЕТИ
5.1. Общие принципы построения нейронной сети
5.2. Области применения нейронных сетей
5.2.1. Нейросетевая классификация
5.2.2. Кластеризация с помощью нейронных сетей и поиск зависимостей
5.2.3. Применение нейронных сетей в задачах прогнозирования
5.3. Алгоритм обратного распространения ошибки
6. ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ
6.1. Природа генетических алгоритмов
6.2. Генетические алгоритмы и традиционные методы оптимизации
6.3. Основные понятия генетических алгоритмов
6.4. Классический генетический алгоритм
6.5. Иллюстрация выполнения классического генетического алгоритма
7. МЕТОДЫ ПРОГНОЗИРОВАНИЯ
7.1. Традиционные методы прогнозирования
7.1.1. «Наивные» модели прогнозирования
7.1.2. Средние и скользящие средние
7.1.3. Методы Хольта и Брауна
7.1.4. Метод Винтерса
7.1.5. Регрессионные методы прогнозирования
7.1.6. Методы Бокса — Дженкинса (ARIMA)
7.2. Нейросетевые модели бизнес-прогнозирования
7.3. Использование многослойных персептронов
7.4. Использование нейронных сетей с общей регрессией GRNN и GRNN-GA
8. ОБЗОР МЕТОДОВ МОДЕЛИРОВАНИЯ
8.1. Имитационное моделирование
8.2. Ситуационное моделирование
8.3. Мультиагентный подход
9. РАДИОЛОКАЦИОННАЯ СИСТЕМА С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ
10. КЛАССИФИКАЦИЯ ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕННЫХ ЦЕЛЕЙ ПО ДАННЫМ КОСМИЧЕСКОЙ РЛА
10.1. Математическая модель цели и отраженного сигнала при решении задач распознавания пространственно-распределенных целей в космических РЛС с синтезированной апертурой
10.2. Многоальтернативная проверка гипотез относительно различных классов ПРЦ при их наблюдении совокупностью космических радиолокационных средств
10.3. Адаптивный алгоритм классификации пространственно-распределенных целей по данным радиолокатора с синтезированной апертурой
10.4. Оценка области, занимаемой целью на РЛИ
11. ИДЕНТИФИКАЦИЯ ИСКАЖЕНИЙ
12. ОЦЕНКА РАДИОЛОКАЦИОННОГО ПОРТРЕТА ПРЦ
13. КОМПЕНСАЦИЯ ОТРАЖЕНИЙ ОТ ИСТОЧНИКОВ ПОМЕХ
13.1. Разработка алгоритма
13.2. Анализ алгоритма
14. ИНТЕРФЕРОМЕТРИЧЕСКИЕ РСА ДЛЯ ИЗМЕРЕНИЯ ВЫСОТ ЦЕЛЕЙ
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК