| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 选题背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 雷达目标检测研究现状 | 第14-16页 |
| 1.2.2 半监督学习研究现状 | 第16-17页 |
| 1.3 本文的主要内容和创新点 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 主要创新点 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第二章 基础理论知识 | 第21-33页 |
| 2.1 前馈神经网络 | 第21-24页 |
| 2.1.1 神经网络的前向传播 | 第21-22页 |
| 2.1.2 神经网络的误差反向传导过程 | 第22-24页 |
| 2.2 深度置信网络 | 第24-27页 |
| 2.2.1 限制玻尔兹曼机的提出 | 第24页 |
| 2.2.2 限制玻尔兹曼机的原理 | 第24-26页 |
| 2.2.3 深度置信网络 | 第26-27页 |
| 2.3 递归神经网络 | 第27-29页 |
| 2.3.1 RNN的前向传播过程 | 第28-29页 |
| 2.3.2 RNN的反向传播过程 | 第29页 |
| 2.4 协同训练算法 | 第29-31页 |
| 2.5 主动学习 | 第31-32页 |
| 2.5.1 基于样本不确定性 | 第31-32页 |
| 2.5.2 基于查询专家委员会 | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于深度学习的自进化雷达目标检测算法 | 第33-55页 |
| 3.1 数据预处理 | 第33-35页 |
| 3.1.1 数据的预过滤和凝聚 | 第33页 |
| 3.1.2 特征构造 | 第33-35页 |
| 3.1.3 数据样本标签制作 | 第35页 |
| 3.2 雷达目标检测基础模型的评估 | 第35-39页 |
| 3.2.1 基于DBN的雷达目标检测模型 | 第35-37页 |
| 3.2.2 基于RNN的雷达目标检测模型 | 第37-39页 |
| 3.3 自进化雷达目标检测框架设计 | 第39-46页 |
| 3.3.1 DBN自学习进化方案 | 第39-41页 |
| 3.3.2 双视图协同训练自进化算法 | 第41-46页 |
| 3.4 双视图协同训练自进化算法优化方案 | 第46-55页 |
| 3.4.1 样本挑选策略优化 | 第46-48页 |
| 3.4.2 样本标签容错能力优化策略 | 第48-49页 |
| 3.4.3 DBN模型进化策略 | 第49-51页 |
| 3.4.4 基于DBN和RNN的双视图协同训练自进化方案 | 第51-52页 |
| 3.4.5 双视图协同训练与主动学习相结合的雷达目标检测自进化算法 | 第52-54页 |
| 3.4.6 本章小结 | 第54-55页 |
| 第四章 实验验证 | 第55-87页 |
| 4.1 实验所用数据集介绍 | 第55页 |
| 4.2 评价指标 | 第55-56页 |
| 4.3 基于深度学习的雷达目标检测算法效果 | 第56-59页 |
| 4.3.1 基于RNN雷达目标检测算法效果 | 第56-57页 |
| 4.3.2 基于DBN的雷达目标检测算法效果 | 第57-59页 |
| 4.3.3 结果分析 | 第59页 |
| 4.4 DBN自学习方案 | 第59-65页 |
| 4.4.1 DBN自学习方案实验结果 | 第59-64页 |
| 4.4.2 DBN自学习方案结果分析 | 第64-65页 |
| 4.5 双视图协同训练自进化方案效果 | 第65-85页 |
| 4.5.1 双视图协同训练实验结果 | 第65-72页 |
| 4.5.2 双视图协同训练结果分析 | 第72页 |
| 4.5.3 样本挑选策略效果 | 第72-74页 |
| 4.5.4 基于DBN和RNN的双视图协同训练自进化效果 | 第74-78页 |
| 4.5.5 标签引导策略效果 | 第78-80页 |
| 4.5.6 模型进化策略效果 | 第80-82页 |
| 4.5.7 双视图协同训练与主动学习相结合的进化效果 | 第82-85页 |
| 4.6 本章小结 | 第85-87页 |
| 第五章 总结与展望 | 第87-89页 |
| 5.1 总结 | 第87-88页 |
| 5.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93页 |
