| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究动态及分析 | 第11-13页 |
| 1.2.1 SAR目标识别的发展现状 | 第11-12页 |
| 1.2.2 基于神经网络集成学习的SAR目标识别研究动态 | 第12-13页 |
| 1.3 本文主要研究内容及章节安排 | 第13-16页 |
| 第二章 SAR目标识别与神经网络集成学习 | 第16-23页 |
| 2.1 SAR图像特性分析及MSTAR数据库简介 | 第16-18页 |
| 2.2 SAR目标识别关键技术 | 第18-20页 |
| 2.2.1 SAR图像预处理 | 第18-19页 |
| 2.2.2 SAR目标特征提取 | 第19-20页 |
| 2.2.3 SAR目标分类识别 | 第20页 |
| 2.3 神经网络集成理论分析 | 第20-21页 |
| 2.3.1 神经网络集成概述 | 第20-21页 |
| 2.4 神经网络集成学习应用于SAR目标识别 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 SAR目标低维特征提取 | 第23-45页 |
| 3.1 原始SAR图像域特征提取缺陷分析 | 第23-25页 |
| 3.2 小波域特征提取 | 第25-27页 |
| 3.3 小波域常用SAR目标特征提取算法 | 第27-38页 |
| 3.3.1 PCA特征提取算法 | 第27-30页 |
| 3.3.2 KPCA特征提取算法 | 第30-32页 |
| 3.3.3 PCA和KPCA自融合特征提取算法 | 第32-34页 |
| 3.3.4 2DPCA特征提取算法 | 第34-38页 |
| 3.4 小波域Bi-2DPCA特征提取算法 | 第38-40页 |
| 3.5 小波变换各参数对识别性能的影响 | 第40-43页 |
| 3.5.1 不同小波分解成分对识别性能的影响 | 第40-41页 |
| 3.5.2 不同小波分解级数对识别性能的影响 | 第41-42页 |
| 3.5.3 不同小波基函数对识别性能的影响 | 第42-43页 |
| 3.6 小波域多种特征提取算法识别性能对比分析 | 第43-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 基于神经网络集成学习的SAR目标分类器设计 | 第45-63页 |
| 4.1 个体神经网络 | 第45-51页 |
| 4.1.1 个体BP神经网络 | 第45-48页 |
| 4.1.2 个体PNN神经网络 | 第48-50页 |
| 4.1.3 个体BP与PNN神经网络识别性能对比分析 | 第50-51页 |
| 4.2 改进的自适应PNN神经网络 | 第51-54页 |
| 4.2.1 基于近邻子空间的自适应PNN神经网络 | 第51-53页 |
| 4.2.2 PNN与自适应PNN识别性能对比分析 | 第53-54页 |
| 4.3 神经网络集成分类器的构建 | 第54-61页 |
| 4.3.1 个体神经网络的创建 | 第54-57页 |
| 4.3.2 Bagging算法集成PNN神经网络 | 第57-58页 |
| 4.3.3 Bagging-PNN构建过程中各参数对识别性能的影响 | 第58-61页 |
| 4.4 PNN、自适应PNN及Bagging-PNN识别性能对比分析 | 第61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 基于Bagging-PNN的SAR目标自适应识别实验 | 第63-71页 |
| 5.1 仿真实验识别流程 | 第63-64页 |
| 5.2 小波变换引入前后识别性能对比实验 | 第64-65页 |
| 5.3 不同训练样本量识别性能对比实验 | 第65页 |
| 5.4 在非理想情况下识别性能对比实验 | 第65-69页 |
| 5.4.1 在分辨率下降情况下识别性能对比实验 | 第65-67页 |
| 5.4.2 在噪声情况下识别性能对比实验 | 第67-68页 |
| 5.4.3 在遮挡情况下识别性能对比实验 | 第68-69页 |
| 5.5 本文识别方法与其他识别方法对比实验分析 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士期间取得的研究成果 | 第77-78页 |
