| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 极化SAR图像分类的研究现状 | 第16-18页 |
| 1.3 深度学习的研究现状 | 第18页 |
| 1.4 本文主要内容与章节安排 | 第18-21页 |
| 第二章 基于PCA和SVGDL的极化SAR图像分类 | 第21-39页 |
| 2.1 引言 | 第21-22页 |
| 2.2 主成分分析 | 第22-24页 |
| 2.2.1 PCA方法的基本原理 | 第22-23页 |
| 2.2.2 PCA方法实现数据降维的过程 | 第23-24页 |
| 2.3 支撑矢量引导字典学习模型 | 第24-30页 |
| 2.3.1 通用判别字典学习模型 | 第25-26页 |
| 2.3.2 支撑矢量引导字典学习模型 | 第26-30页 |
| 2.4 基于PCA和SVGDL的极化SAR图像分类 | 第30-32页 |
| 2.4.1 本章算法介绍 | 第30-31页 |
| 2.4.2 算法实现步骤 | 第31-32页 |
| 2.5 实验结果与分析 | 第32-38页 |
| 2.5.1 实验数据及实验环境 | 第32页 |
| 2.5.2 Flevoland的实验结果 | 第32-34页 |
| 2.5.3 Oberpfaffenhofen的实验结果 | 第34-36页 |
| 2.5.4 SanFrancisco的实验结果 | 第36-38页 |
| 2.5.5 实验结果分析 | 第38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于SSAE和SVGDL的极化SAR图像分类 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 栈式稀疏自编码器 | 第39-44页 |
| 3.2.1 自编码器 | 第39-40页 |
| 3.2.2 稀疏自编码器 | 第40-42页 |
| 3.2.3 栈式稀疏自编码器 | 第42-44页 |
| 3.3 基于SSAE和SVGDL的极化SAR图像分类方法 | 第44-45页 |
| 3.3.1 本章算法介绍 | 第44-45页 |
| 3.3.2 本章算法实现的具体步骤 | 第45页 |
| 3.4 实验结果及分析 | 第45-53页 |
| 3.4.1 实验数据及实验环境 | 第45页 |
| 3.4.2 Flevoland的实验结果 | 第45-48页 |
| 3.4.3 Oberpfaffenhofen的实验结果 | 第48-50页 |
| 3.4.4 SanFrancisco的实验结果 | 第50-52页 |
| 3.4.5 实验结果分析 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于深度Bandelet网络的极化SAR图像分类 | 第55-71页 |
| 4.1 引言 | 第55页 |
| 4.2 卷积神经网络模型 | 第55-59页 |
| 4.2.1 卷积神经网络结构 | 第56-58页 |
| 4.2.2 卷积神经网络训练过程 | 第58-59页 |
| 4.3 深度Bandelet网络 | 第59-63页 |
| 4.3.1 条带波Bandelet理论 | 第59-62页 |
| 4.3.2 深度Bandelet网络模型 | 第62-63页 |
| 4.4 实验结果与分析 | 第63-69页 |
| 4.4.1 实验数据及实验环境 | 第63页 |
| 4.4.2 Flevoland的实验结果 | 第63-65页 |
| 4.4.3 Oberpfaffenhofen的实验结果 | 第65-67页 |
| 4.4.4 SanFrancisco的实验结果 | 第67-69页 |
| 4.4.5 实验结果分析 | 第69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
