| 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 课题的研究背景和意义 | 第14-15页 |
| 1.2 基于深度增量学习的SAR图像目标分类技术研究现状 | 第15-18页 |
| 1.2.1 SAR图像目标分类技术研究现状 | 第15-16页 |
| 1.2.2 深度学习和增量学习的国内外发展现状 | 第16-18页 |
| 1.3 本文的主要工作与内容安排 | 第18-20页 |
| 第二章 SAR图像目标分类模型与方法 | 第20-30页 |
| 2.1 SAR图像特征提取方法研究 | 第20-25页 |
| 2.1.1 传统特征提取方法 | 第20-21页 |
| 2.1.2 深度特征提取方法 | 第21-25页 |
| 2.2 SVM分类器 | 第25-30页 |
| 2.2.1 线性可分SVM | 第25-27页 |
| 2.2.2 非线性可分SVM | 第27-30页 |
| 第三章 基于小波变换与深度LS-SVM的SAR图像目标分类 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 小波变换 | 第30-32页 |
| 3.3 传统LS-SVM算法 | 第32-34页 |
| 3.4 FSALS-SVM算法 | 第34-37页 |
| 3.5 深度LS-SVM算法 | 第37-40页 |
| 3.5.1 深度LS-SVM模型 | 第37-39页 |
| 3.5.2 深度LS-SVM的多分类方法 | 第39-40页 |
| 3.6 实验结果与分析 | 第40-44页 |
| 3.6.1 数据介绍及预处理 | 第40-42页 |
| 3.6.2 结果与分析 | 第42-44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 基于深度增量SVM的SAR图像目标分类 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 深度增量SVM算法 | 第46-51页 |
| 4.2.1 增量SVM算法 | 第46-49页 |
| 4.2.2 深度增量SVM模型及多分类方法 | 第49-51页 |
| 4.3 实验结果与分析 | 第51-56页 |
| 4.3.1 数据处理及实验流程 | 第51-52页 |
| 4.3.2 结果与分析 | 第52-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 基于增量PCANet的SAR图像目标分类 | 第58-70页 |
| 5.1 引言 | 第58页 |
| 5.2 PCA算法 | 第58-59页 |
| 5.3 增量PCANet算法 | 第59-69页 |
| 5.3.1 增量PCA | 第59-61页 |
| 5.3.2 增量PCANet算法模型 | 第61-64页 |
| 5.3.3 实验结果与分析 | 第64-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 6.1 论文总结 | 第70-71页 |
| 6.2 前景展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |