| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第13-24页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 SAR图像目标识别技术综述 | 第15-17页 |
| 1.3 研究难点与挑战 | 第17-19页 |
| 1.3.1 SAR图像模态的复杂性与模板多样性 | 第17页 |
| 1.3.2 SAR图像特征的多样性与类别依赖性 | 第17-18页 |
| 1.3.3 SAR图像相干斑噪声特性与解译准确性 | 第18页 |
| 1.3.4 总结 | 第18-19页 |
| 1.4 小样本问题的相关研究 | 第19-21页 |
| 1.5 论文研究方案及组织结构 | 第21-24页 |
| 1.5.1 研究思路 | 第21-22页 |
| 1.5.2 论文组织结构 | 第22-24页 |
| 第2章 泛化样本空间及流形自动编码器 | 第24-50页 |
| 2.1 本章引论 | 第24-25页 |
| 2.2 多维流形空间及其泛化 | 第25-31页 |
| 2.2.1 泛化定理 | 第26-27页 |
| 2.2.2 维度特性 | 第27页 |
| 2.2.3 信息熵与数据冗余 | 第27-28页 |
| 2.2.4 泛化样本空间的优势与不足 | 第28-30页 |
| 2.2.5 样本密度估计及特征表示 | 第30-31页 |
| 2.3 泛化小样本学习问题模型 | 第31-32页 |
| 2.4 传统的流形学习与自动编码器算法 | 第32-36页 |
| 2.4.1 流形学习理论思想及探讨 | 第32-35页 |
| 2.4.2 自动编码器方法 | 第35-36页 |
| 2.5 自动编码器能量最小化算法 | 第36-45页 |
| 2.5.1 自动编码器的能量函数 | 第36-40页 |
| 2.5.2 能量梯度下降算法 | 第40-41页 |
| 2.5.3 MAE算法分析 | 第41-44页 |
| 2.5.4 MAE算法的生物学意义相关探讨 | 第44-45页 |
| 2.6 实验验证 | 第45-49页 |
| 2.6.1 实验设计 | 第45-47页 |
| 2.6.2 流形梯度下降算法验证 | 第47-49页 |
| 2.6.3 结果分析 | 第49页 |
| 2.7 本章小结 | 第49-50页 |
| 第3章 自动编码器及其正则化方法 | 第50-75页 |
| 3.1 本章引论 | 第50页 |
| 3.2 正则化自动编码器 | 第50-59页 |
| 3.2.1 自动编码器的正则化 | 第51-54页 |
| 3.2.2 能量函数分析 | 第54-57页 |
| 3.2.3 小样本条件下的正则化规则 | 第57-59页 |
| 3.3 泛化正则自动编码器 | 第59-63页 |
| 3.3.1 通用泛化正则自动编码器 | 第59-60页 |
| 3.3.2 收缩的空间梯度特征 | 第60-61页 |
| 3.3.3 升维密度规则 | 第61-62页 |
| 3.3.4 泛化样本输入规则 | 第62-63页 |
| 3.3.5 泛化正则化自动编码器模型 | 第63页 |
| 3.4 实验设计与结果分析 | 第63-73页 |
| 3.4.1 实验设计 | 第64-65页 |
| 3.4.2 流形加速算法应用 | 第65-66页 |
| 3.4.3 泛化正则化自动编码器目标识别特性分析 | 第66-68页 |
| 3.4.4 正则化因子实验对比与分析 | 第68-73页 |
| 3.5 本章小结 | 第73-75页 |
| 第4章 自动编码器生成模型及其遥感图像应用 | 第75-95页 |
| 4.1 本章引论 | 第75-76页 |
| 4.2 产生式模型概述 | 第76-81页 |
| 4.2.1 产生式模型 | 第76页 |
| 4.2.2 变分自动编码器产生模型 | 第76-78页 |
| 4.2.3 对抗式生成网络 | 第78-80页 |
| 4.2.4 深度生成模型小结 | 第80-81页 |
| 4.3 泛化正则化自动编码器的产生式模型 | 第81-83页 |
| 4.3.1 正则化自动编码器流形特性分析 | 第82页 |
| 4.3.2 GAE表示特性敏感特性分析 | 第82-83页 |
| 4.4 自动编码器生成模型 | 第83-87页 |
| 4.4.1 模型假设与说明 | 第83-84页 |
| 4.4.2 自动编码器生成模型 | 第84-85页 |
| 4.4.3 GAE生成模型理论验证 | 第85-87页 |
| 4.5 图像生成实验 | 第87-90页 |
| 4.5.1 实验设计 | 第87-88页 |
| 4.5.2 数据生成结果 | 第88-89页 |
| 4.5.3 生成模型性能分析 | 第89-90页 |
| 4.6 SAR图像稀缺样本生成实验 | 第90-92页 |
| 4.6.1 稀缺样本的船舶SAR图像生成 | 第90-91页 |
| 4.6.2 实验结果分析 | 第91-92页 |
| 4.7 本章小结 | 第92-95页 |
| 第5章 正则化自动编码器网络及其遥感图像应用 | 第95-115页 |
| 5.1 本章引论 | 第95-96页 |
| 5.2 网络模型基本架构 | 第96-101页 |
| 5.2.1 栈式GAE网络模型 | 第96-97页 |
| 5.2.2 V1+V2正则化自动编码器网络 | 第97-100页 |
| 5.2.3 网络结构分析 | 第100-101页 |
| 5.3 网络训练与学习方法 | 第101-104页 |
| 5.3.1 SGAE网络的训练 | 第101-102页 |
| 5.3.2 HGAE网络的训练 | 第102-104页 |
| 5.4 生成模型算法 | 第104-106页 |
| 5.4.1 SGAE网络生成模型 | 第104-105页 |
| 5.4.2 HGAE网络生成模型 | 第105-106页 |
| 5.5 实验验证 | 第106-113页 |
| 5.5.1 模型训练 | 第107页 |
| 5.5.2 样本生成 | 第107-108页 |
| 5.5.3 目标识别与分类 | 第108-113页 |
| 5.6 正则化自动编码器网络的遥感图像系统 | 第113页 |
| 5.7 本章小结 | 第113-115页 |
| 第6章 总结与展望 | 第115-119页 |
| 6.1 研究总结 | 第115-117页 |
| 6.2 展望 | 第117-119页 |
| 参考文献 | 第119-126页 |
| 附录A 泛化空间中的张量流形 | 第126-128页 |
| A.1 黎曼几何回顾 | 第126-127页 |
| A.2 泛化空间Riemann几何 | 第127-128页 |
| 附录B 梯度场的积分流形理论 | 第128-130页 |
| B.1 流形上的积分流形 | 第128页 |
| B.2 积分场的计算 | 第128-129页 |
| B.3 积分流形上的流形学习 | 第129-130页 |
| 附录C 迁移学习的域与群 | 第130-133页 |
| C.1 拓扑群及齐性空间(Homogeneous) | 第130页 |
| C.2 流形空间泛函与可迁移性讨论 | 第130-132页 |
| References | 第132-133页 |
| 附录D 随机化流形学习与正则化自动编码器 | 第133-138页 |
| D.1 线性保持映射 | 第133-135页 |
| D.2 随机化流形学习方法 | 第135页 |
| D.3 随机化流形学习与正则化自动编码器对比 | 第135-138页 |
| 附录E 补充实验及结果 | 第138-139页 |
| E.1 正则化因子的选取 | 第138-139页 |
| 致谢 | 第139-141页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第141页 |