| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 现状分析及发展 | 第14-15页 |
| 1.3 论文安排 | 第15-17页 |
| 第二章 深度学习理论及SAR目标识别和地物分类 | 第17-33页 |
| 2.1 深度学习模型 | 第17-29页 |
| 2.1.1 自动编码器 | 第17-18页 |
| 2.1.2 稀疏编码器和降噪编码器 | 第18-19页 |
| 2.1.3 卷积神经网络 | 第19页 |
| 2.1.4 深度置信网络 | 第19-29页 |
| 2.2 SAR目标识别和地物分类 | 第29-31页 |
| 2.2.1 SAR简介 | 第29-30页 |
| 2.2.2 单波段单极化SAR系统及SAR目标识别 | 第30页 |
| 2.2.3 多波段多极化SAR系统 | 第30-31页 |
| 2.2.4 全极化SAR系统及极化SAR地物分类 | 第31页 |
| 2.3 本章小结 | 第31-33页 |
| 第三章 用于单极化SAR目标识别的深度学习研究 | 第33-57页 |
| 3.1 单极化SAR目标识别简介 | 第33-36页 |
| 3.2 用于单极化SAR目标识别的DBN模型 | 第36-48页 |
| 3.2.1 非监督预训练算法 | 第37-38页 |
| 3.2.2 反向传播算法 | 第38-40页 |
| 3.2.3 softmax 分类器 | 第40-43页 |
| 3.2.4 原始数据的 DBN 模型探索 | 第43-47页 |
| 3.2.5 数据融合与 DBN 模型结合的目标识别 | 第47-48页 |
| 3.3 用于单极化SAR目标识别的CRBM模型 | 第48-50页 |
| 3.4 实验结果及分析 | 第50-55页 |
| 3.4.1 实验数据 | 第50页 |
| 3.4.2 基于GRBM的DBN目标识别 | 第50-51页 |
| 3.4.3 对比实验结果 | 第51-52页 |
| 3.4.4 基于CRBM的DBN目标识别 | 第52-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 用于全极化SAR地物分类的深度学习研究 | 第57-85页 |
| 4.1 全极化SAR地物分类简介 | 第57-60页 |
| 4.1.1 全极化SAR数据格式 | 第58-60页 |
| 4.2 用于全极化SAR地物分类的DBN模型的改进 | 第60-70页 |
| 4.2.1 由RBM到wishartRBM的推导 | 第61-70页 |
| 4.3 实验所用模型 | 第70页 |
| 4.4 实验结果及分析 | 第70-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第五章 结论和展望 | 第85-87页 |
| 5.1 研究结论 | 第85页 |
| 5.2 研究展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93-95页 |
| 作者简介 | 第95-96页 |
