| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 相关问题研究现状及分析 | 第11-14页 |
| 1.2.1 SAR图像分类问题研究现状及分析 | 第12-13页 |
| 1.2.2 迁移学习理论与方法应用现状及分析 | 第13-14页 |
| 1.3 本文的结构安排 | 第14-16页 |
| 第二章 基于迁移学习的分类方法研究 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 迁移学习理论 | 第16-18页 |
| 2.2.1 传统迁移学习概念 | 第16-17页 |
| 2.2.2 传统迁移学习机制 | 第17-18页 |
| 2.3 基于主动学习的迁移学习模型 | 第18-29页 |
| 2.3.1 主动学习的概念 | 第18-19页 |
| 2.3.2 模型机制 | 第19-20页 |
| 2.3.3 特征提取 | 第20-22页 |
| 2.3.4 特征压缩 | 第22-24页 |
| 2.3.5 询问机制 | 第24-25页 |
| 2.3.6 仿真实验与模型分析 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 适用于SAR图像分类的迁移学习模型研究 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 迁移学习模型及SAR图像分类问题适应性分析 | 第30-31页 |
| 3.3 适用于SAR图像分类的迁移学习模型 | 第31-42页 |
| 3.3.1 SAR图像源域训练样本提取 | 第31-32页 |
| 3.3.2 Bhattacharyya距离 | 第32-33页 |
| 3.3.3 基于Q-与Q+机制的迁移学习方法 | 第33-35页 |
| 3.3.4 基于TrAdaboost机制的迁移学习方法 | 第35-38页 |
| 3.3.5 仿真试验与分析 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于SVM分类器的样本可重复利用型迁移学习方法 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 SAR图像分类的常用分类器 | 第44-47页 |
| 4.3 基于SVM分类器的SAR图像迁移分类方法研究 | 第47-50页 |
| 4.3.1 基于SVM的迁移分类方法缺陷 | 第47-48页 |
| 4.3.2 基于SVM的样本可重复利用型迁移分类方法 | 第48-50页 |
| 4.4 SAR图像分类仿真试验结果与分析 | 第50-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60页 |
| 5.2 未来工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间取得的成果 | 第68-69页 |
