| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及意义 | 第16页 |
| 1.2 深度学习研究现状 | 第16-23页 |
| 1.3 论文的主要内容及章节安排 | 第23-24页 |
| 第二章 SAR目标识别的理论基础 | 第24-30页 |
| 2.1 SAR图像特性分析 | 第24-25页 |
| 2.1.1 SAR图像相干斑 | 第24页 |
| 2.1.2 SAR图像统计特性 | 第24-25页 |
| 2.2 SAR目标识别基本理论 | 第25-28页 |
| 2.2.1 SAR目标识别关键技术 | 第25-27页 |
| 2.2.2 SAR目标识别流程 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于深度曲线波卷积网络的SAR目标识别 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 曲线波基本原理 | 第30-33页 |
| 3.3 深度卷积神经网络及脊波神经网络理论基础 | 第33-36页 |
| 3.3.1 深度卷积神经网络理论基础 | 第33-35页 |
| 3.3.2 脊波自适应网络理论基础 | 第35-36页 |
| 3.4 深度曲线波卷积神经网络框架 | 第36-39页 |
| 3.4.1 卷积网络的曲线波字典构造 | 第36-37页 |
| 3.4.2 基于深度曲线波卷积网络的SAR目标识别算法 | 第37-39页 |
| 3.5 实验结果与分析 | 第39-45页 |
| 3.5.1 数据和平台说明 | 第39-40页 |
| 3.5.2 曲线波变换和深度卷积网络的方法的实验 | 第40-42页 |
| 3.5.3 深度曲线波卷积网络的SAR的目标识别的实验 | 第42-45页 |
| 3.5.4 与其他机器学习方法的比较 | 第45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于在线Elastic-net和深度卷积网络的SAR目标识别 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 稀疏编码理论基础 | 第46-49页 |
| 4.2.1 Lasso | 第46-47页 |
| 4.2.2 Elastic-net | 第47-48页 |
| 4.2.3 快速灵活的卷积稀疏编码 | 第48-49页 |
| 4.3 在线Elastic Net和深度卷积网络的SAR目标识别 | 第49-52页 |
| 4.3.1 在线字典学习算法 | 第49-51页 |
| 4.3.2 SAR图像多视角模型理论基础 | 第51页 |
| 4.3.3 多尺度在线Elastic-net和多视角深度卷积网络的SAR的目标识别的算法 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.4.1 实验和数据平台说明 | 第52页 |
| 4.4.2 实验分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于多层曲线波递归深度神经网络的SAR目标识别 | 第56-68页 |
| 5.1 引言 | 第56页 |
| 5.2 递归神经网络理论基础 | 第56-64页 |
| 5.2.1 长短期记忆模型 | 第58-62页 |
| 5.2.2 基于像素的递归神经网络模型 | 第62-63页 |
| 5.2.3 多层卷积递归神经网络模型 | 第63-64页 |
| 5.3 基于多层曲线波递归深度神经网络的SAR目标识别的算法 | 第64-65页 |
| 5.3.1 多层曲线波递归深度神经网络算法 | 第64-65页 |
| 5.3.2 多层曲线波递归神经网络的SAR目标识别步骤 | 第65页 |
| 5.4 实验结果与分析 | 第65-67页 |
| 5.4.1 数据和平台说明 | 第65-66页 |
| 5.4.2 实验结果与分析 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 论文中的创新点 | 第68-69页 |
| 6.2 近一步研究方向 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |
