| 摘要 | 第4-5页 |
| Abstarct | 第5-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.3 本文主要内容和创新点 | 第17-18页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 主要创新点 | 第18页 |
| 1.4 本文的组织结构 | 第18-21页 |
| 第二章 基础理论 | 第21-33页 |
| 2.1 神经网络基本理论 | 第21-25页 |
| 2.1.1 神经网络原理 | 第21-24页 |
| 2.1.2 神经网络缺陷 | 第24-25页 |
| 2.2 卷积神经网络基本理论 | 第25-29页 |
| 2.3 迁移学习基本理论 | 第29-33页 |
| 2.3.1 异构迁移学习 | 第30页 |
| 2.3.2 同构迁移学习 | 第30-33页 |
| 第三章 基于深度迁移学习的雷达高分辨距离像识别算法 | 第33-51页 |
| 3.1 数据预处理 | 第33-36页 |
| 3.1.1 真实HRRP数据预处理 | 第33-34页 |
| 3.1.2 仿真数据预处理 | 第34-36页 |
| 3.2 基于深度学习的冒达高分辨距离像识别算法 | 第36-39页 |
| 3.2.1 模型结构 | 第36-37页 |
| 3.2.2 模型参数初始化 | 第37-38页 |
| 3.2.3 深度正则化算法适用性 | 第38-39页 |
| 3.3 基于深度迁移模型的雷达高分辨距离像识别算法 | 第39-50页 |
| 3.3.1 归纳式深度迁移学习的雷达高分辨距离像识别算法 | 第39-40页 |
| 3.3.2 直推式深度迁移学习的雷达高分辨距离像识别算法 | 第40-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 实验验证 | 第51-89页 |
| 4.1 数据集介绍 | 第51-57页 |
| 4.1.1 真实数据 | 第51-56页 |
| 4.1.2 仿真数据 | 第56-57页 |
| 4.2 评价指标 | 第57-58页 |
| 4.3 预处理方案 | 第58-59页 |
| 4.4 深度模型实验 | 第59-64页 |
| 4.4.1 模型框架实验 | 第59-62页 |
| 4.4.2 模型参数初始化实验 | 第62-63页 |
| 4.4.3 深度正则化适用性实验 | 第63-64页 |
| 4.5 深度迁移模型实验 | 第64-88页 |
| 4.5.1 归纳式深度迁移学习实验 | 第64-75页 |
| 4.5.2 直推式深度迁移学习实验 | 第75-87页 |
| 4.5.3 可视化分析 | 第87-88页 |
| 4.6 本章总结 | 第88-89页 |
| 第五章 总结与展望 | 第89-91页 |
| 5.1 总结 | 第89-90页 |
| 5.1.1 基于卷积神经网络的高分辨距离像识别研究总结 | 第89页 |
| 5.1.2 基于归纳式深度迁移学习的非完备HRRP目标识别研究总结 | 第89页 |
| 5.1.3 基于直推式深度迁移学习的非完备HRRP目标识别研究总结 | 第89-90页 |
| 5.2 展望 | 第90-91页 |
| 参考文献 | 第91-99页 |
| 致谢 | 第99-101页 |
| 附件 攻读学位期间科研成果 | 第101页 |
