| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向上的研究现状 | 第10-14页 |
| 1.2.1 深度学习在图像识别领域的研究现状 | 第10-12页 |
| 1.2.2 SAR目标识别技术研究现状 | 第12-14页 |
| 1.3 论文主要结构 | 第14-16页 |
| 第2章 卷积神经网络理论 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 卷积神经网络原理 | 第16-18页 |
| 2.2.1 局部连接 | 第16-17页 |
| 2.2.2 参数共享 | 第17-18页 |
| 2.3 卷积神经网络的基本结构 | 第18-25页 |
| 2.3.1 卷积层 | 第18-19页 |
| 2.3.2 非线性激活函数 | 第19-21页 |
| 2.3.3 池化层 | 第21-22页 |
| 2.3.4 全连接层 | 第22-23页 |
| 2.3.5 分类器设计 | 第23-25页 |
| 2.4 卷积神经网络的优化方法 | 第25-28页 |
| 2.4.1 反向传播 | 第25-26页 |
| 2.4.2 梯度下降优化算法 | 第26-27页 |
| 2.4.3 过拟合问题与应对策略 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络的SAR目标识别方法 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 SAR成像原理简析 | 第29-30页 |
| 3.3 SAR图像地面目标数据集 | 第30-34页 |
| 3.3.1 MSTAR公开数据集 | 第30-33页 |
| 3.3.2 OKTAL仿真数据集 | 第33-34页 |
| 3.4 SAR图像数据增强方法 | 第34-37页 |
| 3.5 SAR目标识别算法整体结构 | 第37-38页 |
| 3.6 训练方法 | 第38-40页 |
| 3.6.1 批量归一化 | 第38-39页 |
| 3.6.2 Adam优化算法 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 系统设计和实验结果分析 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 实验软硬件平台设计 | 第41-43页 |
| 4.2.1 深度学习框架选择 | 第41-42页 |
| 4.2.2 实验平台配置 | 第42-43页 |
| 4.3 MSTAR数据集实验结果 | 第43-53页 |
| 4.3.1 未使用数据增强方法的SAR目标识别算法 | 第44-47页 |
| 4.3.2 使用数据增强方法的SAR目标识别算法 | 第47-51页 |
| 4.3.3 可视化分析 | 第51-53页 |
| 4.3.4 与不同结构的CNN模型对比 | 第53页 |
| 4.4 OKTAL仿真数据集实验结果 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文 | 第60-62页 |
| 致谢 | 第62页 |