| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 SAR特征提取与目标识别研究现状 | 第11-12页 |
| 1.2.2 深度学习研究发展现状 | 第12-13页 |
| 1.3 本论文的结构安排 | 第13-15页 |
| 第二章 SAR图像特性与目标识别 | 第15-26页 |
| 2.1 SAR成像基本原理 | 第15-16页 |
| 2.1.1 SAR回波信号模型 | 第15-16页 |
| 2.1.2 SAR成像原理 | 第16页 |
| 2.2 SAR图像特征 | 第16-22页 |
| 2.2.1 SAR图像相干斑原理 | 第16-17页 |
| 2.2.2 SAR图像统计特征 | 第17-21页 |
| 2.2.3 散射中心特征 | 第21-22页 |
| 2.3 SAR图像目标识别的难点 | 第22-23页 |
| 2.4 SAR特征提取与目标识别理论 | 第23-25页 |
| 2.4.1 SAR图像预处理 | 第23-24页 |
| 2.4.2 SAR目标特征提取 | 第24页 |
| 2.4.3 SAR目标识别 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 深度学习与SAR目标识别 | 第26-48页 |
| 3.1 深度学习理论 | 第26-36页 |
| 3.1.1 深度学习的基本思想 | 第26页 |
| 3.1.2 神经网络 | 第26-29页 |
| 3.1.3 反向传播算法 | 第29-32页 |
| 3.1.4 SOFTMAX分类器 | 第32-33页 |
| 3.1.5 过拟合 | 第33-36页 |
| 3.2 神经网络参数分析 | 第36-37页 |
| 3.3 基于普通神经网络的SAR目标识别实验 | 第37-41页 |
| 3.3.1 实验结果分析 | 第40-41页 |
| 3.4 基于深度置信网络的SAR目标识别 | 第41-47页 |
| 3.4.1 限制玻尔兹曼机 | 第41-43页 |
| 3.4.2 训练算法 | 第43-44页 |
| 3.4.3 实验内容与结果分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于卷积神经网络的SAR目标识别 | 第48-68页 |
| 4.1 卷积神经网络 | 第48-51页 |
| 4.1.1 卷积特征提取 | 第48-50页 |
| 4.1.2 池化 | 第50-51页 |
| 4.1.3 全连接层 | 第51页 |
| 4.2 卷积神经网络训练 | 第51-52页 |
| 4.3 基于卷积神经网络的SAR目标识别实验 | 第52-55页 |
| 4.4 卷积神经网络中间结构对SAR目标识别的影响 | 第55-60页 |
| 4.4.1 池化层特征选择方法分析 | 第55-58页 |
| 4.4.2 不同卷积尺度的分析 | 第58-60页 |
| 4.5 SAR目标被遮挡时识别效果分析 | 第60-62页 |
| 4.6 神经网络模型对SAR目标识别性能的影响 | 第62-65页 |
| 4.7 实验结果与分析 | 第65-66页 |
| 4.8 本章小结 | 第66-68页 |
| 第五章 全文总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68页 |
| 5.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |