| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 全极化SAR图像分类发展现状及难点 | 第17-18页 |
| 1.2.1 全极化SAR图像分类的发展现状 | 第17-18页 |
| 1.2.2 全极化SAR分类的研究难点 | 第18页 |
| 1.3 论文内容与安排 | 第18-20页 |
| 第二章 自步学习及深度学习理论基础 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 自步学习方法 | 第20-25页 |
| 2.2.1 有监督分类模型 | 第20-21页 |
| 2.2.2 自步学习分类模型 | 第21-24页 |
| 2.2.3 自步学习有效性的解释 | 第24-25页 |
| 2.3 深度学习概述 | 第25-26页 |
| 2.4 深度学习及自步学习在全极化SAR上的应用 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于自步SVM的全极化SAR分类 | 第28-48页 |
| 3.1 引言 | 第28页 |
| 3.2 极化特征的提取 | 第28-31页 |
| 3.2.1 Freeman-Durden分解 | 第28-29页 |
| 3.2.2 Cloude分解 | 第29-31页 |
| 3.3 基于自步SVM的全极化SAR图像分类方法 | 第31-38页 |
| 3.3.1 SVM基本原理 | 第31-34页 |
| 3.3.2 自步SVM模型 | 第34-37页 |
| 3.3.3 分类算法流程 | 第37-38页 |
| 3.4 实验结果和分析 | 第38-46页 |
| 3.4.1 数据集介绍 | 第38-40页 |
| 3.4.2 自步SVM收敛性分析 | 第40-41页 |
| 3.4.3 参数分析 | 第41-42页 |
| 3.4.4 分类结果和讨论 | 第42-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于自步栈式自编码网络的全极化SAR分类 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 基于自步栈式自编码网络的全极化SAR分类方法 | 第48-56页 |
| 4.2.1 自步栈式自编码网络 | 第49-50页 |
| 4.2.2 自步栈式自编码网络的训练 | 第50-53页 |
| 4.2.3 自步栈式自编码网络有效性分析 | 第53-55页 |
| 4.2.4 网络参数分析 | 第55-56页 |
| 4.3 实验结果和分析 | 第56-61页 |
| 4.3.1 数据集介绍 | 第56-57页 |
| 4.3.2 分类结果和讨论 | 第57-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于自步卷积神经网络的全极化SAR分类 | 第62-74页 |
| 5.1 引言 | 第62页 |
| 5.2 基于自步卷积神经网络的SAR图像分类方法 | 第62-68页 |
| 5.2.1 自步卷积神经网络 | 第62-65页 |
| 5.2.2 自步卷积神经网络的训练 | 第65-67页 |
| 5.2.3 网络参数分析 | 第67-68页 |
| 5.3 实验结果和分析 | 第68-73页 |
| 5.3.1 数据集介绍 | 第68-69页 |
| 5.3.2 分类结果和讨论 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-86页 |