基于卷积神经网络和特征融合的高分辨率距离像识别
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 HRRP识别的研究背景与意义 | 第11-12页 |
| 1.2 雷达高分辨率距离像 | 第12-13页 |
| 1.3 HRRP的识别方法 | 第13-17页 |
| 1.3.1 HRRP的预处理过程 | 第13-14页 |
| 1.3.2 HRRP的特征提取方法 | 第14-15页 |
| 1.3.3 HRRP的分类方法 | 第15-17页 |
| 1.4 论文的内容安排 | 第17-18页 |
| 第2章 卷积神经网络 | 第18-28页 |
| 2.1 卷积神经网络的起源与发展 | 第18-19页 |
| 2.2 卷积神经网络的结构 | 第19-23页 |
| 2.2.1 卷积层 | 第19页 |
| 2.2.2 池化层 | 第19-20页 |
| 2.2.3 全连接层 | 第20-23页 |
| 2.3 卷积神经网络的应用 | 第23-24页 |
| 2.4 Caffe深度学习库 | 第24-27页 |
| 2.4.1 Caffe的起源与发展 | 第24页 |
| 2.4.2 Caffe的结构特点 | 第24-26页 |
| 2.4.3 Caffe的下载与安装 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 一维卷积神经网络的HRRP识别 | 第28-44页 |
| 3.1 一维卷积神经网络 | 第28-30页 |
| 3.2 网络参数配置 | 第30-32页 |
| 3.3 仿真实验 | 第32-40页 |
| 3.3.1 不同激活函数的识别性能 | 第33-34页 |
| 3.3.2 不同卷积核的识别性能 | 第34-35页 |
| 3.3.3 不同学习率的识别性能 | 第35-36页 |
| 3.3.4 不同权值衰减系数的识别性能 | 第36-38页 |
| 3.3.5 不同网络结构的识别性能 | 第38-40页 |
| 3.4 CNN与其它分类器比较 | 第40-42页 |
| 3.4.1 神经网络分类器 | 第40页 |
| 3.4.2 K-最近邻分类器 | 第40页 |
| 3.4.3 支持向量机分类器 | 第40-41页 |
| 3.4.4 实验结果与性能分析 | 第41-42页 |
| 3.5 可视化特征图的分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 自适应加权融合算法的HRRP识别 | 第44-52页 |
| 4.1 融合方法概述 | 第44页 |
| 4.2 一维频域平移不变特征 | 第44-45页 |
| 4.3 特征融合方法 | 第45-49页 |
| 4.3.1 串联特征融合 | 第45-46页 |
| 4.3.2 加权特征融合 | 第46页 |
| 4.3.3 自适应加权系数的融合算法 | 第46-49页 |
| 4.4 仿真实验 | 第49-51页 |
| 4.4.1 独立特征与串联特征的识别率 | 第49页 |
| 4.4.2 自适应加权特征的识别率 | 第49-50页 |
| 4.4.3 实验结果对比与分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61-62页 |
| 功读学位期间发表的学术论文 | 第62-63页 |
| 学位论文评阅及答辩情况表 | 第63页 |
