| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 飞机目标识别的发展和国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容和创新点 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 飞机目标识别的关键技术介绍和分析 | 第14-24页 |
| 2.1 飞机目标识别的流程 | 第14-15页 |
| 2.2 飞机图像数据库的建立 | 第15页 |
| 2.3 飞机图像的预处理 | 第15-17页 |
| 2.3.1 灰度化 | 第16页 |
| 2.3.2 去噪 | 第16-17页 |
| 2.3.3 调整图像尺寸 | 第17页 |
| 2.4 飞机图像的特征提取 | 第17-20页 |
| 2.4.1 光谱特征 | 第18页 |
| 2.4.2 纹理特征 | 第18页 |
| 2.4.3 形状特征 | 第18-20页 |
| 2.5 飞机目标的识别方法 | 第20-21页 |
| 2.5.1 人工神经网络分类器 | 第20页 |
| 2.5.2 支持向量机分类器 | 第20-21页 |
| 2.5.3 多分类器融合 | 第21页 |
| 2.6 飞机目标识别中干扰因素及评价标准 | 第21-22页 |
| 2.6.1 飞机目标识别的干扰因素 | 第21-22页 |
| 2.6.2 飞机目标识别的性能评价 | 第22页 |
| 2.7 本章小结 | 第22-24页 |
| 第3章 基于DSmT理论的多分类器融合飞机目标识别算法 | 第24-37页 |
| 3.1 算法整体流程设计 | 第24-25页 |
| 3.2 算法识别过程 | 第25-33页 |
| 3.2.1 多视点下飞机图像数据库的建立和预处理 | 第25-28页 |
| 3.2.2 图像特征提取 | 第28-29页 |
| 3.2.3 SVM分类器训练 | 第29-30页 |
| 3.2.4 DSmT模型及信度赋值构造 | 第30-33页 |
| 3.3 实验 | 第33-35页 |
| 3.3.1 实验结果 | 第33-35页 |
| 3.3.2 实验结果分析 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 基于极限学习机的多分类器融合飞机目标识别算法 | 第37-52页 |
| 4.1 算法设计 | 第37-38页 |
| 4.2 图像样本数据库的建立 | 第38-40页 |
| 4.3 图像特征提取 | 第40-42页 |
| 4.3.1 小波矩 | 第40-41页 |
| 4.3.2 Zernike矩 | 第41-42页 |
| 4.3.3 傅立叶描述子 | 第42页 |
| 4.4 构建ELM模块 | 第42-46页 |
| 4.4.1 单隐层前馈神经网络 | 第43页 |
| 4.4.2 极限学习机 | 第43-45页 |
| 4.4.3 构建ELM模块 | 第45-46页 |
| 4.5 构造融合算法 | 第46-48页 |
| 4.6 实验 | 第48-51页 |
| 4.6.1 实验结果 | 第48-50页 |
| 4.6.2 实验结果分析 | 第50-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第5章 本文总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士期间发表的论文情况和参加科研情况 | 第58-59页 |
| 致谢 | 第59页 |