| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究动态 | 第13-17页 |
| 1.2.1 合成孔径雷达成像方法研究现状 | 第13-14页 |
| 1.2.2 人工智能和深度学习研究现状 | 第14-16页 |
| 1.2.3 深度学习相关知识 | 第16-17页 |
| 1.3 本文创新点及结构安排 | 第17-20页 |
| 第二章 SAR成像的基本原理和RCS计算 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 SAR成像的基本原理 | 第20-24页 |
| 2.2.1 线性调频信号 | 第20-22页 |
| 2.2.2 脉冲压缩原理 | 第22-24页 |
| 2.3 SAR目标的RCS计算 | 第24-31页 |
| 2.3.1 电磁计算的主要数值方法 | 第24-26页 |
| 2.3.2 SAR目标的几何建模 | 第26-28页 |
| 2.3.3 SAR图像目标的RCS计算 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 深度学习和生成对抗网络的原理及设计 | 第32-58页 |
| 3.1 深度学习和卷积神经网络 | 第32-33页 |
| 3.2 卷积神经网络原理和基本架构 | 第33-38页 |
| 3.2.1 卷积层 | 第35-36页 |
| 3.2.2 池化层 | 第36-37页 |
| 3.2.3 全连接层 | 第37-38页 |
| 3.3 其他深度学习相关概念 | 第38-43页 |
| 3.3.1 转置卷积 | 第38-39页 |
| 3.3.2 激活函数 | 第39-42页 |
| 3.3.3 反向传播算法 | 第42-43页 |
| 3.4 生成对抗网络的原理及算法 | 第43-46页 |
| 3.4.1 生成对抗网络的基本原理 | 第43-44页 |
| 3.4.2 生成对抗网络的目标函数优化方法 | 第44-46页 |
| 3.5 生成对抗网络的不足和改进 | 第46-49页 |
| 3.5.1 条件生成对抗网络 | 第46-47页 |
| 3.5.2 深度卷积生成对抗网络 | 第47-49页 |
| 3.6 基于深度卷积生成对抗网络的SAR数据生成方法 | 第49-57页 |
| 3.6.1 实验数据和环境 | 第50-51页 |
| 3.6.2 利用深度卷积生成对抗网络生成SAR图像 | 第51-54页 |
| 3.6.3 实验验证与分析 | 第54-57页 |
| 3.7 本章小结 | 第57-58页 |
| 第四章 C-DCGAN网络设计和实验分析 | 第58-72页 |
| 4.1 条件深度卷积生成对抗网络 | 第58-62页 |
| 4.1.1 条件深度卷积生成对抗网络的模型结构设计 | 第58-60页 |
| 4.1.2 条件深度卷积生成对抗网络的模型训练 | 第60-62页 |
| 4.2 基于C-DCGAN的 SAR图像的生成 | 第62-65页 |
| 4.2.1 实验数据预处理 | 第62页 |
| 4.2.2 利用条件深度卷积生成对抗网络生成SAR图像 | 第62-65页 |
| 4.3 实验结果验证与分析 | 第65-71页 |
| 4.3.1 分类卷积神经网络设计 | 第66-68页 |
| 4.3.2 结果比较和分析 | 第68-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 主要工作总结 | 第72页 |
| 5.2 后续展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者在学期间取得的学术成果 | 第79页 |
