| 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11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 引言 | 第14-15页 |
| 1.2 研究的目的与研究现状 | 第15-16页 |
| 1.3 研究内容及章节安排 | 第16-18页 |
| 第二章 相关理论基础概述 | 第18-28页 |
| 2.1 极化SAR地物分类概述 | 第18-22页 |
| 2.1.1 极化SAR表示形式 | 第18-20页 |
| 2.1.2 极化SAR分布特性 | 第20-21页 |
| 2.1.3 极化SAR分类方法 | 第21-22页 |
| 2.2 深度学习方法概述 | 第22-27页 |
| 2.2.1 自动编码器 | 第23-24页 |
| 2.2.2 卷积神经网络 | 第24-25页 |
| 2.2.3 深度信念网络 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于GRBM的极化SAR分类方法 | 第28-44页 |
| 3.1 DBN模型原理 | 第28-31页 |
| 3.1.1 受限制玻尔兹曼机（RBM） | 第28-30页 |
| 3.1.2 softmax回归 | 第30-31页 |
| 3.1.3 反向传播算法（Back Propagation） | 第31页 |
| 3.2 基于GRBM的DBN模型 | 第31-34页 |
| 3.2.1 高斯限制玻尔兹曼机（GRBM） | 第31-32页 |
| 3.2.2 基于GRBM的极化SAR分类算法 | 第32-34页 |
| 3.3 实验结果比较与分析 | 第34-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于WRBM的极化SAR分类方法 | 第44-54页 |
| 4.1 Wishart限制玻尔兹曼机（WRBM） | 第44-45页 |
| 4.2 基于WRBM的极化SAR分类算法设计 | 第45-46页 |
| 4.3 实验结果比较与分析 | 第46-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 基于Robust Training的DBN极化SAR分类算法 | 第54-62页 |
| 5.1 基于Robust Training的DBN训练方法 | 第54-56页 |
| 5.2 SLIC超像素算法 | 第56-57页 |
| 5.3 基于Robust Training的DBN极化SAR分类算法 | 第57-58页 |
| 5.4 实验结果比较与分析 | 第58-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
