基于深度学习的SAR图像目标识别
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 SAR图像目标识别研究国内外研究现状 | 第11-12页 |
| 1.3 深度学习国内外研究现状 | 第12-15页 |
| 1.4 本论文的主要工作 | 第15-16页 |
| 第二章 图像预处理 | 第16-25页 |
| 2.1 实验数据介绍 | 第16-18页 |
| 2.2 SAR图像斑点噪声抑制 | 第18-23页 |
| 2.2.1 中值滤波器与自适应中值滤波器 | 第19页 |
| 2.2.2 Lee滤波器和增强的Lee滤波器 | 第19-20页 |
| 2.2.3 Frost滤波器 | 第20-21页 |
| 2.2.4 滤波性能的评估 | 第21-23页 |
| 2.3 幂变换 | 第23页 |
| 2.4 能量归一化 | 第23页 |
| 2.5 预处理流程 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于栈式自编码器的SAR目标识别 | 第25-50页 |
| 3.1 栈式自编码器及其原理 | 第25-30页 |
| 3.1.1 自动编码器 | 第25-27页 |
| 3.1.2 栈式自编码器 | 第27-28页 |
| 3.1.3 反向传播算法 | 第28-30页 |
| 3.2 稀疏自编码器 | 第30-32页 |
| 3.3 去噪自编码器 | 第32-35页 |
| 3.3.1 去噪自编码器 | 第32-34页 |
| 3.3.2 栈式去噪自动编码器 | 第34-35页 |
| 3.4 栈式自编码器和主分量分析相结合的识别方法 | 第35-37页 |
| 3.5 实验分析与结论 | 第37-48页 |
| 3.5.1 最佳滤波方法的确定 | 第37-38页 |
| 3.5.2 栈式自编码结构的确定 | 第38-43页 |
| 3.5.3 几种栈式自编码器识别效果对比 | 第43-45页 |
| 3.5.4 基于PCA降维的SAE融合识别试验 | 第45-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 基于卷积神经网络的SAR目标识别 | 第50-82页 |
| 4.1 卷积神经网络的基本结构 | 第50-60页 |
| 4.1.1 卷积层 | 第51-53页 |
| 4.1.2 池化层 | 第53-54页 |
| 4.1.3 激活函数 | 第54-56页 |
| 4.1.4 代价函数 | 第56-59页 |
| 4.1.5 全连接层和softmax分类器 | 第59-60页 |
| 4.2 梯度下降法 | 第60-63页 |
| 4.2.1 批量梯度下降法 | 第60-61页 |
| 4.2.2 随机梯度下降法 | 第61页 |
| 4.2.3 小批量梯度下降法 | 第61-62页 |
| 4.2.4 梯度下降法的优化算法 | 第62-63页 |
| 4.3 卷积神经网络的优化 | 第63-71页 |
| 4.3.1 正则化 | 第64-68页 |
| 4.3.2 Dropout | 第68-70页 |
| 4.3.3 提前终止 | 第70-71页 |
| 4.3.4 数据集扩充 | 第71页 |
| 4.4 卷积神经网络和2DPCA相结合的识别方法 | 第71-73页 |
| 4.4.1 二维主分量分析方法 | 第72-73页 |
| 4.4.2 CNN提取特征 | 第73页 |
| 4.5 实验分析与结论 | 第73-81页 |
| 4.5.1 批量大小对识别效果的影响 | 第74页 |
| 4.5.2 学习率对识别效果的影响 | 第74-75页 |
| 4.5.3 激活函数的选择 | 第75-76页 |
| 4.5.4 L2正则化系数的确定 | 第76页 |
| 4.5.5 Dropout比例的确定 | 第76-77页 |
| 4.5.6 卷积神经网络对两组数据的识别结果 | 第77-79页 |
| 4.5.7 CNN与2DPCA融合识别实验 | 第79-81页 |
| 4.6 本章小结 | 第81-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 5.1 全文总结 | 第82-83页 |
| 5.2 研究展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-92页 |
| 攻读硕士学位期间取得的成果 | 第92页 |
