| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-30页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 合成孔径雷达介绍 | 第16-25页 |
| 1.2.1 合成孔径雷达概述 | 第16-18页 |
| 1.2.2 合成孔径雷达发展简介 | 第18-23页 |
| 1.2.3 SAR成像原理及其噪声模型 | 第23-25页 |
| 1.3 国内外研究现状 | 第25-28页 |
| 1.3.1 SAR图像分类发展现状 | 第25-27页 |
| 1.3.2 深度学习发展现状 | 第27-28页 |
| 1.4 论文研究内容和结构安排 | 第28-30页 |
| 第二章 深度学习基础理论 | 第30-42页 |
| 2.1 人工神经网络 | 第30-33页 |
| 2.1.1 神经网络模型 | 第30-32页 |
| 2.1.2 反向传播算法 | 第32-33页 |
| 2.2 深度学习模型 | 第33-41页 |
| 2.2.1 深度置信网络 | 第33-38页 |
| 2.2.2 卷积神经网络 | 第38-40页 |
| 2.2.3 深度自动编码器 | 第40-41页 |
| 2.3 本章小结 | 第41-42页 |
| 第三章 基于GLCM-GMRF特征和DBN的SAR图像分类 | 第42-54页 |
| 3.1 引言 | 第42-43页 |
| 3.2 基于GLCM-GMRF特征和DBN的SAR图像分类 | 第43-47页 |
| 3.2.1 基于GLCM的纹理特征提取 | 第43-44页 |
| 3.2.2 基于GMRF模型的纹理特征提取 | 第44-46页 |
| 3.2.3 基于GLCM-GMRF特征和DBN的SAR图像分类 | 第46-47页 |
| 3.3 实验结果与分析 | 第47-53页 |
| 3.3.1 基于flevoland数据的实验结果 | 第48-50页 |
| 3.3.2 基于San Francisco数据的实验 | 第50-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 基于深度多特征融合的SAR图像分类方法 | 第54-63页 |
| 4.1 引言 | 第54-55页 |
| 4.2 基于深度多特征融合的SAR图像分类 | 第55-58页 |
| 4.2.1 SAR图像Lee滤波算法 | 第56-57页 |
| 4.2.2 纹理特征提取 | 第57页 |
| 4.2.3 多特征融合分类算法的实现过程 | 第57-58页 |
| 4.3 实验结果与分析 | 第58-62页 |
| 4.3.1 实验设置 | 第58-59页 |
| 4.3.2 基于flevoland数据的实验结果 | 第59-61页 |
| 4.3.3 基于San Francisco数据的实验结果 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 全文总结 | 第63页 |
| 5.2 后续研究工作展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间的学术活动及成果 | 第71-72页 |
