| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景和意义 | 第6-7页 |
| 1.2 SAR图像目标识别国内外研究现状 | 第7-10页 |
| 1.3 本文主要工作及内容安排 | 第10-12页 |
| 2 相关背景知识 | 第12-21页 |
| 2.1 SAR图像去噪算法 | 第12-13页 |
| 2.1.1 Lee滤波 | 第12页 |
| 2.1.2 GammaMAP滤波 | 第12-13页 |
| 2.1.3 基于纹理模型的空间自适应小波滤波 | 第13页 |
| 2.2 常用模式特征 | 第13-17页 |
| 2.2.1 主成分分析 | 第13-14页 |
| 2.2.2 t-分布邻域嵌入算法 | 第14-16页 |
| 2.2.3 非负矩阵分解 | 第16-17页 |
| 2.3 常用分类算法 | 第17-21页 |
| 2.3.1 支持向量机 | 第17-18页 |
| 2.3.2 贝叶斯分类 | 第18-19页 |
| 2.3.3 决策树 | 第19-21页 |
| 3 基于多粒度级联森林(gcForest)的SAR图像目标识别 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 多粒度级联森林 | 第21-25页 |
| 3.2.1 级联森林结构 | 第21-23页 |
| 3.2.2 多粒度扫描 | 第23页 |
| 3.2.3 总体流程和超参数 | 第23-25页 |
| 3.3 算法仿真及性能分析 | 第25-34页 |
| 3.3.1 实验内容 | 第25-26页 |
| 3.3.2 实验流程 | 第26页 |
| 3.3.3 实验一结构变体 | 第26-30页 |
| 3.3.4 实验二铰接和闭塞 | 第30-34页 |
| 4 基于度量学习的SAR图像目标识别 | 第34-46页 |
| 4.1 度量学习模型 | 第34-35页 |
| 4.2 基于核分类器的度量学习 | 第35-40页 |
| 4.2.1 二元组和三元组的构造 | 第35-36页 |
| 4.2.2 二次多项式核函数 | 第36页 |
| 4.2.3 基于核函数的度量学习 | 第36-38页 |
| 4.2.4 基于SVM的度量学习 | 第38-40页 |
| 4.3 算法仿真及性能分析 | 第40-46页 |
| 4.3.1 实验内容 | 第40页 |
| 4.3.2 实验流程 | 第40-41页 |
| 4.3.3 实验一结构变体 | 第41-43页 |
| 4.3.4 实验二铰接和闭塞 | 第43-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-54页 |