| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 现状分析与发展 | 第17-18页 |
| 1.3 论文安排 | 第18-20页 |
| 第二章 SAR目标识别理论与深度学习概述 | 第20-30页 |
| 2.1 SAR目标识别理论基础及研究现状 | 第20-24页 |
| 2.1.1 SAR目标识别研究现状及关键技术 | 第20-21页 |
| 2.1.2 传统经典SAR目标识别特征介绍 | 第21-23页 |
| 2.1.3 传统SAR目标识别经典分类器介绍 | 第23-24页 |
| 2.2 深度学习理论基础 | 第24-27页 |
| 2.2.1 深度置信网络 | 第24-25页 |
| 2.2.2 自动编码器 | 第25页 |
| 2.2.3 卷积神经网络 | 第25-26页 |
| 2.2.4 生成对抗网络 | 第26-27页 |
| 2.3 本章小结 | 第27-30页 |
| 第三章 基于改进预训练策略CNN的SAR目标识别研究 | 第30-48页 |
| 3.1 卷积神经网络模型 | 第30-34页 |
| 3.1.1 卷积神经网络架构 | 第30-31页 |
| 3.1.2 神经网络的训练 | 第31-34页 |
| 3.2 基于不同预训练策略的卷积神经网络模型 | 第34-37页 |
| 3.2.1 基于边缘检测算子初始化卷积核的CNN模型 | 第34-35页 |
| 3.2.2 基于不同数据集彼此初始化参数的CNN模型 | 第35-36页 |
| 3.2.3 数据预处理及整体流程 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-45页 |
| 3.3.1 实验数据介绍 | 第37-39页 |
| 3.3.2 MSTAR数据实验结果与分析 | 第39-41页 |
| 3.3.3 实测SAR数据实验结果与分析 | 第41-43页 |
| 3.3.4 基于不同预训练策略的CNN网络实验结果与分析 | 第43-45页 |
| 3.4 本章小结 | 第45-48页 |
| 第四章 基于生成对抗网络的SAR目标识别研究 | 第48-62页 |
| 4.1 生成对抗网络介绍 | 第48-52页 |
| 4.1.1 生成对抗网络的理论 | 第48-50页 |
| 4.1.2 全局最优点 | 第50-51页 |
| 4.1.3 算法收敛性的证明 | 第51-52页 |
| 4.2 带有特征匹配的生成对抗网络模型 | 第52-54页 |
| 4.2.1 特征匹配 | 第53页 |
| 4.2.2 半监督学习 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-60页 |
| 4.3.1 实验数据预处理介绍 | 第54-57页 |
| 4.3.2 有监督实验结果分析 | 第57-59页 |
| 4.3.3 半监督实验结果 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 基于深度卷积生成对抗网络的SAR目标识别 | 第62-76页 |
| 5.1 卷积生成对抗网络概述 | 第62-63页 |
| 5.2 网络架构介绍 | 第63-68页 |
| 5.2.1 反卷积与跨卷积 | 第63-64页 |
| 5.2.2 激活函数介绍 | 第64-67页 |
| 5.2.3 批规范化与dropout策略 | 第67-68页 |
| 5.3 实验结果与分析 | 第68-74页 |
| 5.3.1 实验数据介绍 | 第68-69页 |
| 5.3.2 生成器性能分析 | 第69-71页 |
| 5.3.3 网络参数的分析 | 第71-73页 |
| 5.3.4 全文实验对比分析 | 第73-74页 |
| 5.4 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 论文工作总结 | 第76页 |
| 6.2 研究展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
