| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 合成孔径雷达的研究进展 | 第14-15页 |
| 1.2 SAR影像地物分类技术的研究进展 | 第15-16页 |
| 1.3 本文内容安排 | 第16-18页 |
| 第二章 RBF神经网络与深度学习理论基础 | 第18-24页 |
| 2.1 RBF神经网络基本思想与基本特点 | 第18-20页 |
| 2.1.1 RBF网络基本介绍 | 第18-19页 |
| 2.1.2 RBF网络的分类原理 | 第19页 |
| 2.1.3 RBF网络的训练 | 第19-20页 |
| 2.2 深度学习理论基础 | 第20-22页 |
| 2.2.1 深度学习研究背景 | 第20页 |
| 2.2.2 深度学习研究现状 | 第20-22页 |
| 2.3 深度学习的应用 | 第22-24页 |
| 2.3.1 深度学习的应用 | 第22-23页 |
| 2.3.2 深度学习的前景 | 第23-24页 |
| 第三章 基于RBF和SAE的深度神经网络模型及学习算法 | 第24-38页 |
| 3.1 基于深度学习的SAR影像分类 | 第24-25页 |
| 3.2 基于RBF的SAR影像分类 | 第25页 |
| 3.3 SAE神经网络基本原理 | 第25-29页 |
| 3.3.1 AE神经网络 | 第25-26页 |
| 3.3.2 SAE神经网络 | 第26-29页 |
| 3.4 基于RBF和SAE的深度神经网络模型及学习算法 | 第29-36页 |
| 3.4.1 基于RBF和SAE的深度神经网络模型 | 第29-30页 |
| 3.4.2 深度神经网络模型的算法步骤 | 第30-33页 |
| 3.4.3 实验及实验结果分析 | 第33-36页 |
| 3.5 基于RBF和SAE的深度神经网络模型仿真实验 | 第36-38页 |
| 3.5.1 实验数据 | 第36-37页 |
| 3.5.2 实验结果及分析 | 第37-38页 |
| 第四章 基于RBF和RBM的深度神经网络分类器的实现 | 第38-50页 |
| 4.1 RBM基本原理 | 第38-41页 |
| 4.1.1 RBM网络结构 | 第38-39页 |
| 4.1.2 RBM的学习原理 | 第39-40页 |
| 4.1.3 RBM的训练过程 | 第40页 |
| 4.1.4 RBM的参数设置问题及评估方法 | 第40-41页 |
| 4.1.5 RBM的发展趋势 | 第41页 |
| 4.2 基于RBF和RBM的深度RBF分类器的设计与实现 | 第41-50页 |
| 4.2.1 基于RBF和RBM的深度RBF分类器模型 | 第42-43页 |
| 4.2.2 基于RBF和RBM的深度RBF分类器算法步骤 | 第43-44页 |
| 4.2.3 实验及结果分析 | 第44-50页 |
| 第五章 进化深度神经网络的学习与优化 | 第50-60页 |
| 5.1 进化计算的概述 | 第50页 |
| 5.2 遗传算法的优化原理 | 第50-53页 |
| 5.2.1 遗传算法概述 | 第50页 |
| 5.2.2 遗传算法的实现 | 第50-52页 |
| 5.2.3 遗传算法的应用 | 第52-53页 |
| 5.3 基于PSO的深度RBF网络的优化 | 第53-54页 |
| 5.3.1 粒子群算法基本知识 | 第53页 |
| 5.3.2 粒子群优化算法的实现 | 第53-54页 |
| 5.4 基于IA的深度RBF网络的优化 | 第54-56页 |
| 5.4.1 免疫算法概述 | 第54-55页 |
| 5.4.2 免疫算法的实现 | 第55-56页 |
| 5.5 进化神经网络的学习与优化 | 第56-60页 |
| 5.5.1 优化算法原理 | 第56-57页 |
| 5.5.2 深度RBF网络的优化算法步骤 | 第57页 |
| 5.5.3 实验及结果分析 | 第57-60页 |
| 第六章 结论与讨论 | 第60-62页 |
| 6.1 研究结论 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
| 1.基本情况 | 第68页 |
| 2.教育背景 | 第68页 |
| 3.攻读硕士学位期间的研究成果 | 第68-69页 |
