基于支持向量机的合成孔径雷达图像目标识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·SAR图像目标识别研究现状 | 第11-12页 |
| ·支持向量机研究现状 | 第12-14页 |
| ·本文主要工作与结构安排 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第二章 支持向量机理论 | 第15-28页 |
| ·SVM理论基础 | 第15-19页 |
| ·机器学习理论 | 第15-17页 |
| ·函数集的VC维和推广能力的界 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·线性判别函数和判别平面 | 第19-22页 |
| ·支持矢量机 | 第22-27页 |
| ·最优分类面 | 第22-24页 |
| ·广义最优分类面 | 第24-25页 |
| ·核函数 | 第25-26页 |
| ·多类支持向量机 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 合成孔径雷达 | 第28-39页 |
| ·合成孔径雷达图像 | 第28-31页 |
| ·SAR成像原理 | 第28-29页 |
| ·SAR图像的特点 | 第29-31页 |
| ·SAR图像中的相干斑抑制 | 第31-36页 |
| ·相干斑噪声的产生和影响 | 第31-32页 |
| ·相干斑的数学模型 | 第32-34页 |
| ·相干斑抑制方法 | 第34-36页 |
| ·SAR图像中的目标特征提取 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于增量支持矢量机的目标分类方法 | 第39-49页 |
| ·引言 | 第39-41页 |
| ·增量学习算法的意义 | 第39页 |
| ·支持向量的分布特点 | 第39-41页 |
| ·SVM增量训练算法 | 第41-43页 |
| ·SVM增量算法的概念 | 第41-42页 |
| ·算法的实现步骤与流程 | 第42-43页 |
| ·仿真验证 | 第43-48页 |
| ·试验数据与特征提取 | 第44-46页 |
| ·学习性能 | 第46-47页 |
| ·分类效果 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于增量支持矢量机的SAR图像目标识别 | 第49-62页 |
| ·SAR图像目标识别流程 | 第49页 |
| ·SAR图像数据集MSTAR | 第49-51页 |
| ·基于SVM的SAR图像目标识别算法 | 第51-59页 |
| ·图像预处理 | 第51-53页 |
| ·特征提取 | 第53-56页 |
| ·特征选择 | 第56-59页 |
| ·基于SVM的SAR图像目标识别试验 | 第59-61页 |
| ·试验流程 | 第59-60页 |
| ·试验结果 | 第60页 |
| ·本文方法与其他方法的试验比较 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 结语 | 第62-64页 |
| ·本文工作总结 | 第62页 |
| ·进一步研究的工作 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
