| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 SAR自动目标识别研究发展现状 | 第10-12页 |
| 1.2.2 深度学习研究发展现状 | 第12-13页 |
| 1.3 本文工作及内容安排 | 第13-15页 |
| 第二章 基于机器学习的SAR目标识别 | 第15-37页 |
| 2.1 SAR图像处理 | 第15-17页 |
| 2.1.1 SAR图像特性分析 | 第15-16页 |
| 2.1.2 SAR图像预处理 | 第16-17页 |
| 2.1.3 SAR图像特征提取 | 第17页 |
| 2.2 机器学习理论 | 第17-31页 |
| 2.2.1 监督学习 | 第18-29页 |
| 2.2.2 非监督学习 | 第29-31页 |
| 2.3 实验结果及分析 | 第31-36页 |
| 2.3.1 实验内容 | 第31-33页 |
| 2.3.2 MSTAR数据库简介 | 第33-34页 |
| 2.3.3 实验结果与分析 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于深度置信网络的SAR目标识别 | 第37-57页 |
| 3.1 深度学习与SAR目标识别 | 第37-39页 |
| 3.2 深度置信网络 | 第39-50页 |
| 3.2.1 概率图模型与马尔科夫随机场 | 第41-44页 |
| 3.2.2 玻尔兹曼机与限制玻尔兹曼机 | 第44-45页 |
| 3.2.3 限制玻尔兹曼机训练 | 第45-47页 |
| 3.2.4 MCMC方法与CD-k算法 | 第47-48页 |
| 3.2.5 从限制玻尔兹曼机到深度置信网络 | 第48页 |
| 3.2.6 softmax分类器 | 第48-50页 |
| 3.3 基于深度置信网络的SAR目标识别 | 第50-56页 |
| 3.3.1 实验内容 | 第50-52页 |
| 3.3.2 实验结果与分析 | 第52-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 基于卷积神经网络的SAR目标识别 | 第57-67页 |
| 4.1 卷积神经网络 | 第57-60页 |
| 4.1.1 卷积神经网络介绍 | 第57-59页 |
| 4.1.2 卷积神经网络训练 | 第59-60页 |
| 4.2 基于卷积神经网络的SAR目标识别 | 第60-63页 |
| 4.2.1 实验内容 | 第60-61页 |
| 4.2.2 实验结果与分析 | 第61-63页 |
| 4.2.3 深度置信网络和卷积神经网络在识别SAR目标的性能对比 | 第63页 |
| 4.3 卷积神经网络下相干斑对识别性能影响的分析 | 第63-65页 |
| 4.3.1 相干斑及其抑制 | 第63页 |
| 4.3.2 实验内容 | 第63-65页 |
| 4.3.3 实验结果与分析 | 第65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文总结 | 第67页 |
| 5.2 工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-77页 |