| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 SAR目标鉴别研究现状 | 第18-19页 |
| 1.3 非平衡数据分类问题研究现状 | 第19-21页 |
| 1.4 本文安排 | 第21-23页 |
| 第二章 基于传统非平衡数据分类方法的SAR目标鉴别算法 | 第23-45页 |
| 2.1 概述 | 第23页 |
| 2.2 基于词包模型特征的SAR目标鉴别算法 | 第23-29页 |
| 2.2.1 基于超像素分割与双参数CFAR检测的切片提取 | 第24页 |
| 2.2.2 基于词包模型的鉴别特征提取 | 第24-25页 |
| 2.2.3 基于词包模型特征的SAR目标鉴别 | 第25-26页 |
| 2.2.4 实验结果及分析 | 第26-29页 |
| 2.3 基于传统非平衡数据分类方法的SAR目标鉴别算法 | 第29-43页 |
| 2.3.0 传统非平衡数据分类方法 | 第29-38页 |
| 2.3.1 基于传统非平衡数据分类方法的SAR目标鉴别算法 | 第38-39页 |
| 2.3.2 实验结果及分析 | 第39-43页 |
| 2.4 本章小结 | 第43-45页 |
| 第三章 基于代价敏感字典学习的SAR目标鉴别算法 | 第45-63页 |
| 3.1 概述 | 第45-46页 |
| 3.2 稀疏表示分类与字典学习理论 | 第46-51页 |
| 3.2.1 稀疏表示分类 | 第46-49页 |
| 3.2.2 K-SVD字典学习 | 第49-51页 |
| 3.3 基于代价敏感字典学习的SAR目标鉴别 | 第51-57页 |
| 3.3.1 代价敏感字典学习算法框架 | 第51-53页 |
| 3.3.2 初始化字典 | 第53页 |
| 3.3.3 求解代价敏感稀疏系数 | 第53-55页 |
| 3.3.4 更新字典原子 | 第55-56页 |
| 3.3.5 基于代价敏感字典学习的SAR目标鉴别流程 | 第56-57页 |
| 3.4 实验结果及分析 | 第57-62页 |
| 3.4.1 实验数据说明及参数设置 | 第57页 |
| 3.4.2 算法收敛性及有效性分析 | 第57-58页 |
| 3.4.3 实验结果及分析 | 第58-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 基于集成学习的SAR目标鉴别算法 | 第63-85页 |
| 4.1 概述 | 第63页 |
| 4.2 集成学习算法介绍 | 第63-67页 |
| 4.2.2 Boosting | 第64-65页 |
| 4.2.3 Bagging | 第65-66页 |
| 4.2.4 结合策略 | 第66-67页 |
| 4.3 基于集成代价敏感字典学习的SAR目标鉴别 | 第67-77页 |
| 4.3.1 第一种字典集成方式 | 第67-69页 |
| 4.3.2 第二种字典集成方式 | 第69-70页 |
| 4.3.3 第三种字典集成方式 | 第70-71页 |
| 4.3.4 实验结果及分析 | 第71-77页 |
| 4.4 基于集成多分类器的SAR目标鉴别 | 第77-83页 |
| 4.4.1 算法框架 | 第77-78页 |
| 4.4.2 实验结果及分析 | 第78-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第五章 结论 | 第85-89页 |
| 5.1 工作总结 | 第85-86页 |
| 5.2 工作展望 | 第86-89页 |
| 附录A 约束优化到无约束优化的推导过程 | 第89-91页 |
| 参考文献 | 第91-97页 |
| 致谢 | 第97-99页 |
| 作者简介 | 第99-100页 |
