第1章 緒論
1.1 核爆地震監(jiān)測
1.2 棱爆地震監(jiān)測歷史、現(xiàn)狀與趨勢
1.2.1 核爆地震波區(qū)域特征及傳播
1.2.2 源特征研究
1.2.3 核爆地震識別技術
1.2.4 核爆地震監(jiān)測的未來發(fā)展
1.3 核爆地震識別的傳統(tǒng)方法
1.4 地震波基礎知識
14.1 地震波
1.4.2 爆炸激發(fā)地震波
1.4.3 地震波的運動學特征
14.4 地震波的動力學特征
1.4.5 地震波探測方法與技術
1.5 核爆地震數(shù)據(jù)集
參考文獻

第2章 模式識別的基本理論
2.1 基本概念和方法
2.1.1 統(tǒng)計模式識別
2.1.2 句法模式識別
21.3 智能模式識別
2.2 特征提取與選擇
2.2.1 特征提取
2.2 2特征選擇
2.3 分類器設計
2.3.1 線性判別函數(shù)
2.3.2 非線性判別函數(shù)
23.3 其他分類判決
參考文獻

第3章 核爆地震信號分析與預處理
3.1 核爆地震信號的常規(guī)處理
3.2 核爆地震信號的分形與混沌分析
3.2.1 核爆地震信號的分形分析
3.2.2 基于重采樣的混沌序列相空間重構算法
3.2.3 基于相空間相關性與PCA的嵌入維和時間延遲選擇算法
3.3 數(shù)據(jù)預處理
3.3.1 事件的檢測
3.3.2 初至點檢測
參考文獻

第4章 核爆地震信號的特征提取與選擇
4.1 常用的特征提取與選擇方法
4.1.1 時域特征
4.1.2 頻域特征
4.1.3 時頻域特征
4.1.4 特征選擇方法
4.2 基于PCA和KPCA的特征提取
4.3 基于最佳分類主分量分析的特征提取算法
4.4 多分辨率能量分形特征提取算法
4.5 基于核非負矩陣分解的特征提取算法
4.5.1 非負矩陣分解的基本理論
4.5.2 基于NMF的核爆地震特征提取
4.5 3核非負矩陣分解（KNMF）算法
4.5.4 基于KNMF的核爆地震特征提取
4.6 基于時頻分析的特征提取算法
4.6.1 時頻平面上的譜比值特征和矩特征
4.6.2 時頻平面上的時頻面積特征
4.6.3 時頻表示的奇異值特征
4.7 基于序優(yōu)化的核爆地震特征選擇
4.7.1 序優(yōu)化概述
4.7.2 基于序優(yōu)化的核爆地震特征選擇
4.8 基于Gamma Test的特征選擇
4.8.1 Gamma Test理論概述
4.8.2 基于Gamma Test的核爆地震特征選擇
4.9 基于序優(yōu)化和Gamma Test的核爆地震特征選擇
參考文獻

第5章 核爆地震信號的傳統(tǒng)判別分析
5.1 一維特征空間中的二分法
5.2 基于近鄰規(guī)則的核爆地震模式識別
5.2.1 基于最近鄰方法的分類器設計
5.2.2 基于K近鄰方法的分類器設計
5.2.3 基于模糊變權x近鄰方法的分類器設計
5.3 基于最小均方誤差準則的分類器設計
5.4 基于Fisher-和KFisher判別的核爆地震模式識別
5.5 基于x相關的核爆地震模式識別
5.5.1 K相關分類原理
5.5.2 核爆地震分類實驗
參考文獻

第6章 核爆地震信號的非線性判別分析
6.1 基于支持向量機的核爆地震模式識別
6.1.1 基于支持向量機的核爆地震自動識別
6.1.2 基于先驗知識的核函數(shù)構造
6.1.3 信息幾何在支持向量機中的應用
6.2 基于隱馬爾可夫模型的核爆地震模武識別
6.2.1 隱馬爾可夫模型
6.2.2 HMM基本算法
6.2.3 HMM的類型
6.2.4 矢量量化編碼
62.5 HMM在核爆地震模式識別中的應用
6.3 基于最近鄰支持向量特征線融合的核爆地震模式識別
6.3.1 最近鄰特征線分類算法及分析
6.3.2 最近鄰支持向量特征線分類算法及應用
6.3.3 基于最近鄰支持向量特征線融合的分類器設計及應用
6.4 基于核K相關的核爆地震模式識別
64.1 算法闡述
6.4.2 分類實驗及結果分析
6.5 基于分類器集成的核爆地震模式識別
6.5.1 分類器組合方法的優(yōu)點
6.5.2 分類器輸出結果融合規(guī)則
6.5.3 基于樣本重采樣的分類器組合
6.5.4 基于模糊積分的分類器組合
6.6 核爆地震識別中的特征相空間研究
6.6.1 基本思路與方法原理
6.6.2 吸引子維數(shù)計算與結果分析
6.6.3 特征相空間等價性的數(shù)值實驗及結果分析
6.6.4 討論與應用
參考文獻

第7章 神經網絡在核爆地震模式識別中的應用
7.1 神經網絡基本原理
7.1.1 神經網絡基本概念
7.1.2 BP網絡模型與BP算法
7.2 神經網絡在核爆地震模式識別中的應用
7.2.1 標準BP算法的識別結果
7.2.2 BP網絡的改進學習算法
7.2.3 改進算法的選擇及其識別結果
7.3 遺傳算法在神經網絡模式識別中的應用
7.3.1 遺傳算法的基本原理
7.3.2 基于GA的多層前饋神經網絡學習算法
7.3.3 MFANN的泛化學習GA算法
7.3.4 泛化學習GA算法在核爆地震模式識別中的應用
參考文獻

第8章 協(xié)同神經網絡與核爆地震模式識別
8.1 協(xié)同模式識別方法簡述
8.1.1 常用的協(xié)同模式識別算法
8.1.2 協(xié)同模式識別算法中的關鍵技術
8.2 基于支持向量樣本加權平均的原型模式選擇算法
8.2.1 算法闡述
8.2.2 對算法的進一步改進
8.2.3 分類實驗與結果分析
8.3 基于模糊c-均值的原型模式選擇算法
8.3.1 算法闡述
83.2 分類實驗與結果分析
8.4 變步長的基于獎懲學習機制的注意參數(shù)訓練算法
8.4.1 算法闡述
8.4.2 分類實驗與結果分析
8.5 基于核函數(shù)的協(xié)同模式識別
8.5.1 基于核函數(shù)的協(xié)同模式識別算法
8.5.2 分類實驗與結果分析
參考文獻

第9章 核爆地震模式識別的模糊綜合評判
9.1 模糊集的基本知識
9.1.1 模糊特征和模糊分類
9.1.2 模糊關系與模糊變換
9.2 模糊綜合評判模型
9.2.1 模糊綜合評判的初始模型
9.2.2 多層次模糊綜合評判
9.2.3 廣義運算子模糊綜合評判
9.3 核爆地震模式識別的模糊綜合評判
9.3.1 方法思路
9.3.2 權向量構造
9.3.3 單因素評判矩陣
9.3.4 多層次模糊綜合評判
9.3.5 模糊綜合評判識別結果及分析
9.4 核爆地震模式識別系統(tǒng)框架：挑戰(zhàn)與展望
9.4.1 核爆地震模式識別系統(tǒng)框架
9.4.2 挑戰(zhàn)與展望
參考文獻
附錄名詞術語中英文對照
后記