摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第10-11页 |
缩略语对照表 | 第11-15页 |
第一章 绪论 | 第15-21页 |
1.1 研究背景 | 第15页 |
1.2 SAR图像自动目标识别研究现状 | 第15-16页 |
1.3 论文所用实验数据和主要内容安排 | 第16-21页 |
1.3.1 MSTAR实验数据及实验场景介绍 | 第16-18页 |
1.3.2 内容安排 | 第18-21页 |
第二章 SAR图像预处理及贝叶斯SVM | 第21-39页 |
2.1 概述 | 第21页 |
2.2 SAR图像预处理方法 | 第21-23页 |
2.2.1 分割处理 | 第21页 |
2.2.2 配准处理 | 第21-22页 |
2.2.3 截取处理 | 第22页 |
2.2.4 滤波处理 | 第22页 |
2.2.5 预处理过程结果示例 | 第22-23页 |
2.3 支持向量机 | 第23-30页 |
2.3.1 最优边界分类器 | 第23-27页 |
2.3.2 广义最优边界分类器及其等价判别函数 | 第27-28页 |
2.3.3 核支持向量机 | 第28-30页 |
2.4 贝叶斯SVM | 第30-35页 |
2.4.1 贝叶斯理论 | 第30-31页 |
2.4.2 杰森不等式 | 第31-32页 |
2.4.3 期望最大化算法 | 第32-33页 |
2.4.4 贝叶斯SVM | 第33-35页 |
2.5 实验结果及分析 | 第35-37页 |
2.5.1 实验流程图及参数设置 | 第35-36页 |
2.5.2 实验结果及分析 | 第36-37页 |
2.6 本章总结 | 第37-39页 |
第三章 基于Dropout数据扩充方法的贝叶斯SVM | 第39-51页 |
3.1 概述 | 第39页 |
3.2 模型过拟合 | 第39-41页 |
3.2.1 模型过拟合的产生原因 | 第39-40页 |
3.2.2 模型过拟合的解决方案 | 第40-41页 |
3.3 基于Dropout数据扩充方法的贝叶斯SVM | 第41-45页 |
3.3.1 显性样本扩充方法 | 第41-42页 |
3.3.2 隐性样本扩充方法 | 第42-43页 |
3.3.3 基于Dropout数据扩充方法的贝叶斯SVM | 第43-45页 |
3.4 实验结果及分析 | 第45-49页 |
3.4.1 显性样本扩充方法的实验流程及参数设置 | 第45-46页 |
3.4.2 基于伯努利分布的显性样本扩充方法的实验结果及分析 | 第46页 |
3.4.3 基于高斯分布的显性样本扩充方法的实验结果及分析 | 第46页 |
3.4.4 对样本进行遮挡下的显性样本扩充实验 | 第46-47页 |
3.4.5 对遮挡SAR图像使用显性样本扩充方法的实验结果及分析 | 第47页 |
3.4.6 隐性样本扩充方法的实验流程图及参数设置 | 第47-48页 |
3.4.7 隐性样本扩充方法的实验结果及分析 | 第48-49页 |
3.5 本章总结 | 第49-51页 |
第四章 基于核学习方法的贝叶斯SVM | 第51-67页 |
4.1 概述 | 第51页 |
4.2 核学习方法 | 第51-54页 |
4.2.1 Mercer定理 | 第51-52页 |
4.2.2 多核学习方法 | 第52-54页 |
4.3 基于多核学习的贝叶斯SVM | 第54-58页 |
4.3.1 基于核学习方法的贝叶斯SVM模型 | 第54-58页 |
4.3.2 求解基于多核学习的贝叶斯SVM模型 | 第58页 |
4.4 实验结果与分析 | 第58-66页 |
4.4.1 基于单核学习的贝叶斯SVM实验流程图及参数设置 | 第58-59页 |
4.4.2 实验结果及分析 | 第59-62页 |
4.4.3 基于多核学习的贝叶斯SVM实验流程图及参数设置 | 第62-63页 |
4.4.4 实验结果及分析 | 第63-66页 |
4.5 本章总结 | 第66-67页 |
第五章 结束语 | 第67-69页 |
5.1 工作总结 | 第67-68页 |
5.2 工作展望 | 第68-69页 |
附录A 期望最大化算法推导 | 第69-71页 |
附录B 广义逆高斯分布与逆高斯分布的转换公式推导 | 第71-73页 |
附录C 贝叶斯SVM建模过程中的公式推导 | 第73-75页 |
附录D 贝叶斯SVM求解过程中的公式推导 | 第75-79页 |
参考文献 | 第79-83页 |
致谢 | 第83-85页 |
作者简介 | 第85-86页 |