首页--工业技术论文--无线电电子学、电信技术论文--雷达论文--雷达设备、雷达站论文--雷达接收设备论文--数据、图像处理及录取论文

基于支持向量机的SAR目标分类识别

摘要第1-5页
ABSTRACT第5-9页
第一章 绪论第9-15页
   ·研究背景和意义第9-10页
   ·SVM 国内外研究现状第10-14页
     ·基于SVM 的图像滤波第10-11页
     ·基于SVM 的图像分割第11-12页
     ·基于SVM 的极化SAR 分类第12-13页
     ·基于SVM 的目标分类识别第13-14页
   ·本文主要工作第14-15页
第二章 支持向量机基本原理第15-25页
   ·最小结构风险准则第15-17页
   ·SVM 分类器原理第17-20页
   ·核函数第20-21页
   ·SVM 算法第21-22页
   ·多类分类问题第22-23页
   ·SVM 分类器参数求解第23-24页
   ·SVM 分类识别基本流程第24页
   ·本章小结第24-25页
第三章 基于马尔科夫随机场的SAR 图像分割第25-36页
   ·MAP-MRF 体系第25-27页
   ·后验能量函数优化算法第27页
   ·条件迭代算法第27-29页
   ·Gibbs 采样算法第29-30页
   ·SA 算法第30-32页
   ·MMD 算法第32页
   ·实验结果第32-35页
     ·实验1—两类分割第32-33页
     ·实验2—三类分割第33-35页
   ·本章小结第35-36页
第四章 基于支持向量机的SAR 目标识别第36-44页
   ·数据源第36-38页
   ·主成分分析第38-39页
   ·基于SVM 目标识别的实验与结果第39-41页
   ·基于模板匹配的目标识别第41页
   ·基于模板匹配目标识别的实验与结果第41-43页
   ·本章小结第43-44页
第五章 基于支持向量机的极化SAR 分类第44-51页
   ·数据源第45页
   ·特征提取第45-48页
   ·实验第48-50页
   ·本章小结第50-51页
第六章 总结与展望第51-53页
   ·总结第51-52页
     ·主要研究内容第51-52页
     ·本文主要工作第52页
   ·展望第52-53页
致谢第53-54页
参考文献第54-57页
攻读硕士期间发表文章第57-58页
附录A:heart_scale 部分样本数据第58-60页
附录B: LIBSVM 的简要使用说明第60-61页

论文共61页,点击 下载论文
上一篇:基于FPGA的航空电子光纤通道接口卡的研究
下一篇:基于OMCI的GPON终端管理系统的设计与实现