| 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 研究背景和意义 | 第15-16页 |
| 1.2 SAR图像分类技术的研究进展 | 第16-18页 |
| 1.3 本文内容安排 | 第18-21页 |
| 第二章 卷积神经网络和收缩自编码器网络与深度学习理论基础 | 第21-35页 |
| 2.1 深度学习理论基础 | 第21-23页 |
| 2.1.1 深度学习研究背景 | 第21-22页 |
| 2.1.2 深度学习研究现状 | 第22-23页 |
| 2.2 收缩自编码器网络基本思想与基本特点 | 第23-28页 |
| 2.2.1 收缩自编码器网络基本介绍 | 第23-24页 |
| 2.2.2 收缩自编码器网络的构建和训练 | 第24-28页 |
| 2.3 卷积神经网络的基本思想与基本特点 | 第28-35页 |
| 2.3.1 卷积神经网络基本介绍 | 第28-31页 |
| 2.3.2 卷积神经网络的构建和训练 | 第31-35页 |
| 第三章 基于收缩自编码器和平稳小波变换的SAR图像分类方法 | 第35-53页 |
| 3.1 前言 | 第35页 |
| 3.2 基于平稳小波变换的特征提取方法 | 第35-36页 |
| 3.3 深度收缩自编码器的构建与训练 | 第36-41页 |
| 3.3.1 单层级收缩自编码器的构建与预训练 | 第37-38页 |
| 3.3.2 多层级收缩自编码器的构建与预训练 | 第38-39页 |
| 3.3.3 整体网络的构建与系统微调 | 第39-40页 |
| 3.3.4 算法的具体实施步骤 | 第40-41页 |
| 3.4 实验与结果分析 | 第41-51页 |
| 3.4.1 真实两分类SAR图像实验结果 | 第42-43页 |
| 3.4.2 德国Swabian Jura地区实验结果 | 第43-45页 |
| 3.4.3 德国Rossenheim地区实验结果 | 第45-46页 |
| 3.4.4 德国Traunstein地区实验结果 | 第46-49页 |
| 3.4.5 实验参数分析 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于卷积神经网络和小波变换的SAR图像分类方法 | 第53-69页 |
| 4.1 前言 | 第53-54页 |
| 4.2 基于小波变换的纹理特征提取方法 | 第54-55页 |
| 4.3 基于深度卷积神经网络结构的SAR图像分类方法 | 第55-59页 |
| 4.3.1 通过卷积自编码器进行预训练 | 第55-56页 |
| 4.3.2 通过基于卷积神经网络的新型模型进行特征提取 | 第56-58页 |
| 4.3.3 特征组合并分类 | 第58页 |
| 4.3.4 算法的具体实施步骤 | 第58-59页 |
| 4.4 实验与结果分析 | 第59-66页 |
| 4.4.1 China Lake Airport地区实验结果 | 第59-60页 |
| 4.4.2 中国西安附近地区实验结果 | 第60-62页 |
| 4.4.3 德国Swabian Jura地区实验结果 | 第62-64页 |
| 4.4.4 实验参数分析 | 第64-66页 |
| 4.5 本章小结 | 第66-69页 |
| 第五章 总结与展望 | 第69-73页 |
| 5.1 本文方法的创新之处 | 第69-70页 |
| 5.2 进一步的研究方向 | 第70-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
