| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 目标特征提取 | 第14-16页 |
| 1.2.2 多信息融合 | 第16-19页 |
| 1.2.2.1 多源图像融合 | 第16-17页 |
| 1.2.2.2 多特征融合 | 第17-18页 |
| 1.2.2.3 多分类器融合 | 第18-19页 |
| 1.2.3 认知学习 | 第19-20页 |
| 1.2.4 总体现状 | 第20-21页 |
| 1.3 本文主要贡献与创新 | 第21-22页 |
| 1.4 本文内容安排 | 第22-24页 |
| 第二章 基于非负矩阵分解的SAR目标特征提取 | 第24-53页 |
| 2.1 常用模式特征 | 第24-28页 |
| 2.1.1 主成分分析 | 第25页 |
| 2.1.2 线性判别分析 | 第25-26页 |
| 2.1.3 局部判别嵌入 | 第26-27页 |
| 2.1.4 非负矩阵分解 | 第27-28页 |
| 2.2 SAR目标特征提取过程可视化 | 第28-37页 |
| 2.2.1 理论基础 | 第29-30页 |
| 2.2.2 过程分步分析 | 第30-37页 |
| 2.3 基于稀疏约束的非负矩阵分解 | 第37-52页 |
| 2.3.1 常用非负矩阵分解变体 | 第38-42页 |
| 2.3.1.1 局部非负矩阵分解 | 第38-40页 |
| 2.3.1.2 非负稀疏编码 | 第40页 |
| 2.3.1.3 稀疏非负矩阵分解 | 第40-41页 |
| 2.3.1.4 基于稀疏度约束的非负矩阵分解 | 第41页 |
| 2.3.1.5 非平滑非负矩阵分解 | 第41-42页 |
| 2.3.2 基于L_(1/2) 范数约束的非负矩阵分解 | 第42-44页 |
| 2.3.3 试验分析 | 第44-52页 |
| 2.3.3.0 MSTAR数据集 | 第45-47页 |
| 2.3.3.1 稀疏度分析 | 第47-49页 |
| 2.3.3.2 三类目标识别 | 第49-51页 |
| 2.3.3.3 十类目标识别 | 第51-52页 |
| 2.4 本章小结 | 第52-53页 |
| 第三章 多特征层级推进分类判决 | 第53-69页 |
| 3.1 多分类器融合 | 第53-56页 |
| 3.1.1 多分类器融合方法 | 第54-55页 |
| 3.1.2 多分类器融合方式 | 第55-56页 |
| 3.2 层级推进融合策略 | 第56-59页 |
| 3.2.1 分类置信度 | 第57页 |
| 3.2.2 概率输出权重 | 第57-58页 |
| 3.2.3 层级推进融合基本流程 | 第58-59页 |
| 3.3 基于层级推进融合策略的目标识别 | 第59-67页 |
| 3.3.1 三层识别系统 | 第59-62页 |
| 3.3.1.1 特征提取 | 第59-60页 |
| 3.3.1.2 分类概率输出 | 第60-61页 |
| 3.3.1.3 融合理论 | 第61-62页 |
| 3.3.2 实验分析 | 第62-67页 |
| 3.3.2.1 三类目标识别 | 第62-63页 |
| 3.3.2.2 目标拒识 | 第63-64页 |
| 3.3.2.3 俯仰角和目标配置变化识别 | 第64-67页 |
| 3.4 本章小结 | 第67-69页 |
| 第四章 基于深度置信网络的SAR目标层级特征提取 | 第69-84页 |
| 4.1 深度学习模型 | 第69-72页 |
| 4.2 深度置信网络 | 第72-77页 |
| 4.2.1 受限玻尔兹曼机 | 第72-77页 |
| 4.2.1.1 基本理论 | 第72-75页 |
| 4.2.1.2 对比散度 | 第75-77页 |
| 4.2.2 深度置信网络 | 第77页 |
| 4.3 基于深度置信网络的SAR目标识别 | 第77-83页 |
| 4.3.1 层级系统框架 | 第78页 |
| 4.3.2 目标层级特征提取 | 第78-80页 |
| 4.3.3 试验分析 | 第80-83页 |
| 4.3.3.1 初始化设置 | 第80页 |
| 4.3.3.2 试验结果与分析 | 第80-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第五章 基于约束受限玻尔兹曼机的SAR目标识别 | 第84-102页 |
| 5.1 基于稀疏约束的深度学习算法 | 第85-88页 |
| 5.1.1 稀疏自编码器 | 第86-87页 |
| 5.1.2 稀疏受限玻尔兹曼机 | 第87-88页 |
| 5.2 广义约束受限玻尔兹曼机 | 第88-92页 |
| 5.2.1 基于L_1范数约束的受限玻尔兹曼机 | 第90-91页 |
| 5.2.2 基于L_2范数约束的受限玻尔兹曼机 | 第91页 |
| 5.2.3 基于L_(1/2) 范数约束的受限玻尔兹曼机 | 第91-92页 |
| 5.3 基于约束受限玻尔兹曼机的SAR目标识别 | 第92-101页 |
| 5.3.1 深度结构 | 第92-93页 |
| 5.3.2 试验分析 | 第93-101页 |
| 5.3.2.1 初始化设置 | 第93页 |
| 5.3.2.2 稀疏度分析 | 第93-98页 |
| 5.3.2.3 三类目标识别 | 第98-99页 |
| 5.3.2.4 十类目标识别 | 第99-101页 |
| 5.4 本章小结 | 第101-102页 |
| 第六章 总结与展望 | 第102-104页 |
| 6.1 全文工作总结 | 第102-103页 |
| 6.2 后续工作展望 | 第103-104页 |
| 致谢 | 第104-106页 |
| 参考文献 | 第106-120页 |
| 攻读博士学位期间取得的成果 | 第120-121页 |