| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-21页 |
| 第一章 绪论 | 第21-39页 |
| 1.1 立题背景阐述 | 第21-22页 |
| 1.2 国内外发展与研究现状 | 第22-35页 |
| 1.2.1 压缩感知理论的前世、发展与今生 | 第23-28页 |
| 1.2.2 类脑机器学习的国内外进展 | 第28-33页 |
| 1.2.3 SAR目标识别与图像分类研究现状与发展趋势 | 第33-35页 |
| 1.3 立题意义与核心问题 | 第35-36页 |
| 1.4 研究内容与全文结构安排 | 第36-39页 |
| 第二章 压缩的感知、学习与认知 | 第39-81页 |
| 2.1 压缩的采样与感知理论基础 | 第39-56页 |
| 2.1.1 信号采样算子 | 第40-43页 |
| 2.1.2 信号稀疏化模型 | 第43-51页 |
| 2.1.3 信号感知算法 | 第51-56页 |
| 2.2 从压缩感知到学习认知推理 | 第56-72页 |
| 2.2.1 统计机器学习中的压缩采样 | 第56-57页 |
| 2.2.2 统计机器学习中的参数化模型 | 第57-63页 |
| 2.2.3 判别式模型学习与深度认知推理 | 第63-66页 |
| 2.2.4 生成式模型学习与深度认知推理 | 第66-70页 |
| 2.2.5 分析与讨论 | 第70-72页 |
| 2.3 基于半监督机器学习的多压缩观测向量重构框架 | 第72-79页 |
| 2.3.1 二分类视角下的多观测向量重构 | 第73页 |
| 2.3.2 基于有监督分类算法的多观测向量重构 | 第73-74页 |
| 2.3.3 基于半监督MUSIC的多观测向量重构 | 第74-76页 |
| 2.3.4 算法分析与讨论 | 第76-77页 |
| 2.3.5 仿真实验与结论 | 第77-79页 |
| 2.4 本章小结 | 第79-81页 |
| 第三章 基于生成式模型的模糊稀疏子空间判别性聚类学习 | 第81-103页 |
| 3.1 引言 | 第81-85页 |
| 3.1.1 子空间聚类与研究进展 | 第81-83页 |
| 3.1.2 研究动机与意义 | 第83-85页 |
| 3.2 模糊稀疏子空间聚类与判别性变换学习 | 第85-88页 |
| 3.2.1 模糊稀疏子空间聚类 | 第85-86页 |
| 3.2.2 判别变换学习 | 第86-88页 |
| 3.2.3 模型解释与讨论 | 第88页 |
| 3.3 模型优化与分析 | 第88-93页 |
| 3.3.1 FSSC模型优化学习 | 第88-90页 |
| 3.3.2 DTL模型优化学习 | 第90-92页 |
| 3.3.3 算法收敛性与计算复杂度分析 | 第92-93页 |
| 3.4 仿真实验与讨论 | 第93-102页 |
| 3.4.1 框架超参数分析 | 第94-95页 |
| 3.4.2 框架有效性验证 | 第95-97页 |
| 3.4.3 算法实验对比与分析 | 第97-102页 |
| 3.5 本章小结 | 第102-103页 |
| 第四章 基于生成式模型的双层字典学习与图像分类框架 | 第103-127页 |
| 4.1 引言 | 第103-106页 |
| 4.1.1 基于生成式模型的有监督字典学习分类框架 | 第104-105页 |
| 4.1.2 研究动机与意义 | 第105-106页 |
| 4.2 双层低秩与组稀疏分解框架 | 第106-113页 |
| 4.2.1 第一层：基于生成式模型的数据建模 | 第106-108页 |
| 4.2.2 第二层：基于生成式模型的隐变量建模 | 第108-109页 |
| 4.2.3 TL-LRa GS框架在分类中的应用 | 第109-111页 |
| 4.2.4 模型解释与讨论 | 第111-113页 |
| 4.3 模型优化与分析 | 第113-117页 |
| 4.3.1 特征隐变量的后验推理 | 第113-115页 |
| 4.3.2 模型参数更新 | 第115-116页 |
| 4.3.3 算法收敛性与计算复杂度分析 | 第116-117页 |
| 4.4 实验与讨论 | 第117-125页 |
| 4.4.1 框架参数分析 | 第117-119页 |
| 4.4.2 框架有效性验证 | 第119-120页 |
| 4.4.3 框架对比实验与分析 | 第120-125页 |
| 4.5 本章小结 | 第125-127页 |
| 第五章 基于判别式模型的非线性协同稀疏特征学习与图像分类 | 第127-145页 |
| 5.1 引言 | 第127-129页 |
| 5.1.1 研究动机与意义 | 第128-129页 |
| 5.2 非线性分析协同稀疏模型 | 第129-130页 |
| 5.2.1 从线性到非线性模型 | 第129页 |
| 5.2.2 模型解释与讨论 | 第129-130页 |
| 5.3 基于判别式非线性分析模型的分类学习框架 | 第130-134页 |
| 5.3.1 参数化分类器模型 | 第131-132页 |
| 5.3.2 基于NACM的特征表示 | 第132-133页 |
| 5.3.3 框架对比与讨论 | 第133-134页 |
| 5.4 框架优化与分析 | 第134-138页 |
| 5.4.1 NACM优化 | 第134-136页 |
| 5.4.2 分类参数学习 | 第136页 |
| 5.4.3 收敛性与计算复杂度分析 | 第136-138页 |
| 5.5 仿真实验与讨论 | 第138-144页 |
| 5.5.1 框架参数分析 | 第138-139页 |
| 5.5.2 框架有效性对比验证 | 第139-142页 |
| 5.5.3 SAR在轨快速自动目标识别性能测试 | 第142-144页 |
| 5.6 本章小结 | 第144-145页 |
| 第六章 基于生成式模型与语义先验推理的SAR目标成像框架 | 第145-171页 |
| 6.1 引言 | 第145-149页 |
| 6.1.1 聚束式SAR成像模型与相关研究 | 第146-148页 |
| 6.1.2 研究动机与意义 | 第148-149页 |
| 6.2 语义先验模型指导的面向目标的SAR图像压缩重构 | 第149-154页 |
| 6.2.1 基于语义统计特性的图像似然函数 | 第149-150页 |
| 6.2.2 基于语义先验信息的类标先验函数 | 第150-152页 |
| 6.2.3 基于IRW-l_1最小化的目标图像重构 | 第152-153页 |
| 6.2.4 模型解释与讨论 | 第153-154页 |
| 6.3 模型优化与分析 | 第154-158页 |
| 6.3.1 面向目标的SAR成像感知算法 | 第154-155页 |
| 6.3.2 语义类标推理 | 第155页 |
| 6.3.3 模型参数更新 | 第155-157页 |
| 6.3.4 算法收敛性与计算复杂度分析 | 第157页 |
| 6.3.5 算法有效性与鲁棒性分析 | 第157-158页 |
| 6.4 仿真实验与讨论 | 第158-169页 |
| 6.4.1 框架参数分析 | 第159-160页 |
| 6.4.2 框架有效性验证 | 第160-163页 |
| 6.4.3 算法对比与实验分析 | 第163-169页 |
| 6.5 本章小结 | 第169-171页 |
| 第七章 基于深度生成判别混合框架的PolSAR图像分类 | 第171-189页 |
| 7.1 引言 | 第171-175页 |
| 7.1.1 基于极化目标分解的PolSAR数据理解认知 | 第172-173页 |
| 7.1.2 PolSAR图像地物分类 | 第173-174页 |
| 7.1.3 研究动机与意义 | 第174-175页 |
| 7.2 基于生成式模型的极化目标分解学习 | 第175页 |
| 7.3 深度生成判别混合网络模型 | 第175-180页 |
| 7.3.1 基于多任务学习的生成判别混合模型 | 第176-177页 |
| 7.3.2 变分多模态协同表示学习 | 第177-178页 |
| 7.3.3 深层网络结构设计 | 第178-179页 |
| 7.3.4 框架解释与讨论 | 第179-180页 |
| 7.4 框架优化与分析 | 第180-181页 |
| 7.4.1 协同特征学习与底层参数优化问题 | 第180-181页 |
| 7.4.2 高层网络优化 | 第181页 |
| 7.5 实验分析与讨论 | 第181-187页 |
| 7.5.1 超参数性能分析 | 第181-183页 |
| 7.5.2 Flevoland图像分类 | 第183-186页 |
| 7.5.3 SanFrancisco图像分类 | 第186-187页 |
| 7.5.4 Xi'an图像分类 | 第187页 |
| 7.6 本章小结 | 第187-189页 |
| 第八章 总结与展望 | 第189-193页 |
| 8.1 未来展望 | 第191-193页 |
| 参考文献 | 第193-219页 |
| 致谢 | 第219-221页 |
| 作者简介 | 第221-223页 |
