| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 选题缘由和意义 | 第14-15页 |
| 1.2 国内外研究现状分析 | 第15-18页 |
| 1.2.1 极化SAR地物分类问题的研究现状 | 第15-16页 |
| 1.2.2 支持向量机的研究现状 | 第16-18页 |
| 1.3 论文的主要思路和方法 | 第18-20页 |
| 第二章 极化SAR理论与支持向量机学习基础 | 第20-32页 |
| 2.1 极化SAR中的极化信息 | 第20-21页 |
| 2.2 经典的极化SAR特征表达 | 第21-23页 |
| 2.3 SVM与LSSVM模型 | 第23-25页 |
| 2.4 模糊SVM模型 | 第25-27页 |
| 2.5 小波SVM模型 | 第27-29页 |
| 2.6 深度学习理论基础 | 第29-30页 |
| 2.7 本章小结 | 第30-32页 |
| 第三章 基于模糊LSSVM和稀疏学习的极化SAR图像分类 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 FSALS-SVM算法 | 第32-34页 |
| 3.3 模糊隶属度的度量方法 | 第34-36页 |
| 3.3.1 基于欧式距离的度量方法 | 第34页 |
| 3.3.2 基于核距离的度量方法 | 第34-36页 |
| 3.4 模糊稀疏LSSVM算法 | 第36页 |
| 3.5 基于模糊稀疏LSSVM算法的极化SAR图像分类 | 第36-42页 |
| 3.5.1 实现流程 | 第37-38页 |
| 3.5.2 实验结果及分析 | 第38-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 小波核稀疏LSSVM算法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 小波变换 | 第44-46页 |
| 4.2.1 小波变换定义 | 第44-46页 |
| 4.2.2 小波变换特点 | 第46页 |
| 4.3 小波核函数 | 第46-47页 |
| 4.3.1 小波核函数的构造 | 第46-47页 |
| 4.3.2 小波支持向量机算法 | 第47页 |
| 4.4 Morlet小波核稀疏LSSVM算法 | 第47-48页 |
| 4.5 算法在极化SAR图像分类上的应用 | 第48-55页 |
| 4.5.1 实现流程 | 第48-50页 |
| 4.5.2 实验结果与分析 | 第50-55页 |
| 4.5.3 参数对算法性能的影响 | 第55页 |
| 4.6 本章小结 | 第55-58页 |
| 第五章 基于深度支持向量机和稀疏表示的数据分类 | 第58-68页 |
| 5.1 引言 | 第58页 |
| 5.2 深度SVM算法 | 第58-60页 |
| 5.3 Lasso算法 | 第60-61页 |
| 5.4 深度小波核模糊稀疏LSSVM算法 | 第61-62页 |
| 5.5 深度Lasso算法 | 第62页 |
| 5.6 实验结果与分析 | 第62-66页 |
| 5.7 本章小结 | 第66-68页 |
| 第六章 结论和展望 | 第68-70页 |
| 6.1 研究结论 | 第68-69页 |
| 6.2 研究展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |