基于卷积神经网络的SAR图像目标识别
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状与发展趋势 | 第13-14页 |
| 1.2.1 SAR图像目标识别技术发展现状 | 第13-14页 |
| 1.2.2 卷积神经网络发展及应用 | 第14页 |
| 1.3 本文主要工作及内容安排 | 第14-17页 |
| 第二章 卷积神经网络基本理论 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 神经网络基本理论 | 第17-23页 |
| 2.2.1 神经元建模 | 第17-20页 |
| 2.2.2 网络结构的搭建 | 第20-22页 |
| 2.2.3 数据预处理及权值初始化 | 第22-23页 |
| 2.3 卷积神经网络理论 | 第23-28页 |
| 2.3.1 卷积层 | 第23-25页 |
| 2.3.2 池化层 | 第25-26页 |
| 2.3.3 全连接层 | 第26页 |
| 2.3.4 Softmax分类器 | 第26-27页 |
| 2.3.5 后向传播算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的SAR图像目标识别 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 实验数据介绍 | 第29-31页 |
| 3.3 网络结构的影响 | 第31-39页 |
| 3.3.1 网络深度的影响 | 第32-35页 |
| 3.3.2 卷积核大小的影响 | 第35-37页 |
| 3.3.3 卷积核数量的影响 | 第37-39页 |
| 3.4 自适应学习率算法 | 第39-47页 |
| 3.4.1 随机梯度下降法 | 第39-41页 |
| 3.4.2 自适应学习率方法 | 第41-45页 |
| 3.4.3 实验结果 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于多尺度卷积神经网络的SAR图像识别 | 第48-69页 |
| 4.1 引言 | 第48页 |
| 4.2 多尺度卷积神经网络 | 第48-52页 |
| 4.2.1 思路介绍 | 第48页 |
| 4.2.2 网络模型 | 第48-51页 |
| 4.2.3 实验结果 | 第51-52页 |
| 4.3 Dropout算法 | 第52-62页 |
| 4.3.1 过拟合现象 | 第52-54页 |
| 4.3.2 Dropout理论 | 第54-55页 |
| 4.3.3 实验结果 | 第55-62页 |
| 4.4 类别交叉熵的引入 | 第62-65页 |
| 4.4.1 类别交叉熵 | 第62-63页 |
| 4.4.2 实验结果 | 第63-65页 |
| 4.5 与不同方法的比较 | 第65-68页 |
| 4.5.1 模板匹配法 | 第65页 |
| 4.5.2 k近邻法 | 第65-66页 |
| 4.5.3 支持向量机法 | 第66页 |
| 4.5.4 单尺度卷积神经网络 | 第66-67页 |
| 4.5.5 识别结果比较 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文工作总结 | 第69-70页 |
| 5.2 问题与展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 作者在学期间取得的学术成果 | 第77页 |
