首页--工业技术论文--无线电电子学、电信技术论文--雷达论文--雷达设备、雷达站论文--雷达接收设备论文--数据、图像处理及录取论文

基于深度支持向量机的极化SAR图像分类

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

论文共77页,点击 下载论文
上一篇:云计算平台下分布式缓存系统的性能优化研究
下一篇:H.264帧内编码算法的硬件并行化设计