| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 深度神经网络研究现状 | 第10-11页 |
| 1.2.2 SAR ATR研究现状 | 第11-15页 |
| 1.3 本文主要工作 | 第15-17页 |
| 第二章 深度神经网络基本理论 | 第17-28页 |
| 2.1 神经元模型 | 第17-19页 |
| 2.2 深度神经网络模型 | 第19-24页 |
| 2.2.1 深度信念网络 | 第19-21页 |
| 2.2.2 循环神经网络 | 第21-22页 |
| 2.2.3 卷积神经网络 | 第22-24页 |
| 2.3 过拟合问题及应对策略 | 第24-27页 |
| 2.3.1 权重衰减 | 第25页 |
| 2.3.2 随机失活 | 第25-26页 |
| 2.3.3 训练样本扩充 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 异构卷积神经网络集成SAR目标识别 | 第28-47页 |
| 3.1 异构卷积神经网络集成SAR ATR算法框架 | 第28-29页 |
| 3.2 算法实现 | 第29-36页 |
| 3.2.1 基础分类网络设计 | 第29-35页 |
| 3.2.2 异构网络集成 | 第35-36页 |
| 3.3 算法复杂度分析 | 第36-37页 |
| 3.4 实验与性能分析 | 第37-46页 |
| 3.4.1 MSTAR数据集简介 | 第38页 |
| 3.4.2 识别性能验证 | 第38-45页 |
| 3.4.3 识别性能对比 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 深度神经网络微调迁移SAR目标识别 | 第47-63页 |
| 4.1 迁移学习理论 | 第47-50页 |
| 4.1.1 迁移学习的基本概念 | 第47-48页 |
| 4.1.2 深度迁移学习 | 第48-49页 |
| 4.1.3 卷积神经网络的可迁移性 | 第49-50页 |
| 4.2 卷积神经网络微调SAR目标识别方法 | 第50-57页 |
| 4.2.1 算法框架 | 第50-51页 |
| 4.2.2 实验与性能分析 | 第51-57页 |
| 4.3 域对抗微调SAR目标识别方法 | 第57-62页 |
| 4.3.1 算法框架 | 第57-59页 |
| 4.3.2 实验与性能分析 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 全文总结 | 第63页 |
| 5.2 工作展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士期间的研究成果 | 第71页 |