| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究工作的背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 SAR图像目标识别研究现状 | 第13-14页 |
| 1.2.2 深度学习研究发展现状 | 第14-16页 |
| 1.3 本文的内容结构安排 | 第16-18页 |
| 第二章 SAR图像特性与深度学习 | 第18-39页 |
| 2.1 引言 | 第18页 |
| 2.2 SAR成像基本原理 | 第18-23页 |
| 2.2.1 SAR成像模型 | 第18-21页 |
| 2.2.2 SAR成像算法简介 | 第21-23页 |
| 2.3 SAR图像的主要特性 | 第23-29页 |
| 2.3.1 SAR图像的分辨率特征 | 第23-24页 |
| 2.3.2 SAR图像的相干斑原理 | 第24-25页 |
| 2.3.3 SAR图像的统计分布特性 | 第25-29页 |
| 2.4 SAR图像目标识别 | 第29-32页 |
| 2.4.1 SAR目标识别基本流程与关键技术 | 第29-31页 |
| 2.4.2 SAR图像目标识别的难点 | 第31-32页 |
| 2.5 深度学习网络模型 | 第32-38页 |
| 2.5.1 自动编码器(AE) | 第32-35页 |
| 2.5.2 限制玻尔兹曼机(RBM) | 第35-36页 |
| 2.5.3 深度置信网络(DBN) | 第36-37页 |
| 2.5.4 卷积神经网络(CNN) | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于卷积神经网络的SAR图像目标识别分类 | 第39-62页 |
| 3.1 引言 | 第39页 |
| 3.2 卷积神经网络模型 | 第39-42页 |
| 3.2.1 卷积层 | 第39-41页 |
| 3.2.2 池化层 | 第41-42页 |
| 3.2.3 全连接层 | 第42页 |
| 3.3 卷积神经网络结构 | 第42-50页 |
| 3.3.1 激活函数 | 第42-46页 |
| 3.3.2 过拟合 | 第46-49页 |
| 3.3.3 Softmax回归 | 第49-50页 |
| 3.4 基于卷积神经网络的SAR图像目标识别分类实验 | 第50-60页 |
| 3.4.1 激活函数选择分析 | 第52-54页 |
| 3.4.2 池化方式选择分析 | 第54页 |
| 3.4.3 卷积核尺寸选择分析 | 第54-56页 |
| 3.4.4 批尺寸选择分析 | 第56页 |
| 3.4.5 图像预处理分析 | 第56-57页 |
| 3.4.6 卷积层次结构选择分析 | 第57-60页 |
| 3.5 实验结果分析 | 第60-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第四章 不同背景下SAR图像目标识别分类 | 第62-76页 |
| 4.1 引言 | 第62页 |
| 4.2 图像分割 | 第62-66页 |
| 4.2.1 基于Weibull分布的双参数CFAR分割 | 第63-64页 |
| 4.2.2 几何聚类与二值掩膜 | 第64-66页 |
| 4.3 不同背景统计分布 | 第66-67页 |
| 4.4 不同环境背景下SAR目标识别 | 第67-72页 |
| 4.4.1 不同环境背景对SAR目标识别率的影响 | 第68-69页 |
| 4.4.2 不同环境背景对SAR目标识别的影响解决办法 | 第69-72页 |
| 4.5 阴影遮挡下SAR目标识别 | 第72-74页 |
| 4.6 本章小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 本文总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-81页 |
