多视角SAR目标识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-21页 |
| 1.2.1 SAR目标识别理论方法 | 第11-17页 |
| 1.2.2 SAR目标识别应用系统 | 第17-20页 |
| 1.2.3 存在的问题 | 第20-21页 |
| 1.3 本文的主要贡献与创新 | 第21-22页 |
| 1.4 本论文的结构安排 | 第22-24页 |
| 第二章 多视角SAR成像检测一体化 | 第24-41页 |
| 2.1 成像检测一体化框架 | 第24-26页 |
| 2.2 多视角渐变孔径SAR成像 | 第26-29页 |
| 2.2.1 信号模型 | 第26-27页 |
| 2.2.2 成像处理 | 第27-29页 |
| 2.3 多视角SAR目标检测 | 第29-35页 |
| 2.3.1 视觉显著性检测 | 第29-32页 |
| 2.3.2 显著性加权积累和判决 | 第32-33页 |
| 2.3.3 鉴别筛选和目标区域成像 | 第33-35页 |
| 2.4 实验分析 | 第35-40页 |
| 2.4.1 实验结果 | 第36-39页 |
| 2.4.2 性能分析 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 多视角SAR目标特征提取 | 第41-59页 |
| 3.1 多视角SAR数据分布特性分析 | 第41-46页 |
| 3.1.1 流形学习理论 | 第41-42页 |
| 3.1.2 多视角SAR数据可视化 | 第42-46页 |
| 3.2 多视角SAR目标融合特征提取 | 第46-52页 |
| 3.2.1 二维主分量分析 | 第47-48页 |
| 3.2.2 二维邻域虚拟点鉴别嵌入 | 第48-52页 |
| 3.2.3 分类特征融合提取 | 第52页 |
| 3.3 实验分析 | 第52-58页 |
| 3.3.1 单视角识别性能验证 | 第54-56页 |
| 3.3.2 多视角识别性能验证 | 第56-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 多视角SAR目标分类识别 | 第59-79页 |
| 4.1 深度卷积神经网络 | 第59-61页 |
| 4.2 多视角SAR深度学习目标识别 | 第61-69页 |
| 4.2.1 多视角SAR样本增广 | 第61-63页 |
| 4.2.2 多视角深度学习网络 | 第63-69页 |
| 4.3 实验分析 | 第69-78页 |
| 4.3.1 标准操作条件下识别性能验证 | 第70-73页 |
| 4.3.2 扩展操作条件下识别性能验证 | 第73-77页 |
| 4.3.3 识别性能对比 | 第77-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 多视角SAR目标最优观测路径规划 | 第79-106页 |
| 5.1 目标观测路径规划模型 | 第79-82页 |
| 5.1.1 几何模型 | 第79-81页 |
| 5.1.2 最优化模型 | 第81-82页 |
| 5.2 无威胁环境最优观测路径规划 | 第82-91页 |
| 5.2.1 分类器设计 | 第82-85页 |
| 5.2.2 最优成像点选择和路径规划 | 第85-88页 |
| 5.2.3 实验分析 | 第88-91页 |
| 5.3 有威胁环境最优观测路径规划 | 第91-105页 |
| 5.3.1 分类器设计 | 第92-93页 |
| 5.3.2 安全和效率 | 第93页 |
| 5.3.3 约束条件配置 | 第93-95页 |
| 5.3.4 最优成像点选择和路径规划 | 第95-97页 |
| 5.3.5 实验分析 | 第97-105页 |
| 5.4 本章小结 | 第105-106页 |
| 第六章 总结与展望 | 第106-108页 |
| 6.1 全文总结 | 第106页 |
| 6.2 后续工作展望 | 第106-108页 |
| 致谢 | 第108-109页 |
| 参考文献 | 第109-120页 |
| 攻读博士学位期间取得的成果 | 第120-121页 |
