| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10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14-20页 |
| ·论文研究背景及意义 | 第14-16页 |
| ·国内外研究现状 | 第16-17页 |
| ·基于支持向量机的目标识别技术 | 第16页 |
| ·基于模板的目标识别技术 | 第16-17页 |
| ·基于隐马尔科夫模型的目标识别技术 | 第17页 |
| ·基于神经网络的目标识别技术 | 第17页 |
| ·论文结构 | 第17-20页 |
| 第二章 SAR图像降噪与特征提取 | 第20-40页 |
| ·SAR图像目标识别概述 | 第20页 |
| ·SAR图像数据源 | 第20-23页 |
| ·SAR目标 | 第20-21页 |
| ·SAR模板库 | 第21-23页 |
| ·SAR图像降噪 | 第23-34页 |
| ·相干斑噪声概述及原理 | 第23-26页 |
| ·相干斑噪声抑制算法 | 第26-31页 |
| ·相干斑噪声抑制实验 | 第31-34页 |
| ·SAR图像特征提取 | 第34-39页 |
| ·图像特征提取原理 | 第34-38页 |
| ·图像特征提取实验 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于Burg-MSE两步分类器的目标识别技术 | 第40-52页 |
| ·Burg-MSE两步分类器概述 | 第40-41页 |
| ·MSE匹配方法 | 第41-42页 |
| ·超分辨算法 | 第42-46页 |
| ·超分辨算法概述 | 第42页 |
| ·超分辨Capon算法 | 第42-45页 |
| ·超分辨Burg算法 | 第45-46页 |
| ·Burg-MSE两步分类器的目标识别实验 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于支持向量机的目标识别技术 | 第52-76页 |
| ·机器学习概述 | 第52页 |
| ·统计学习理论核心思想 | 第52-56页 |
| ·VC维 | 第53-54页 |
| ·推广性的界 | 第54-55页 |
| ·结构风险最小化 | 第55-56页 |
| ·支持向量机原理 | 第56-60页 |
| ·支持向量机概述 | 第56-57页 |
| ·支持向量机原理 | 第57-60页 |
| ·支持向量机的改进 | 第60-62页 |
| ·二叉树算法 | 第60-61页 |
| ·SVM分类器与二叉树算法相结合的分类方法 | 第61-62页 |
| ·基于支持向量机的目标识别实验 | 第62-74页 |
| ·目标及模板的特征提取 | 第62-64页 |
| ·基于支持向量机的分类器的识别结果 | 第64-73页 |
| ·基于支持向量机的分类器性能分析 | 第73-74页 |
| ·本章小结 | 第74-76页 |
| 第五章 总结和展望 | 第76-78页 |
| ·研究结论 | 第76-77页 |
| ·研究展望 | 第77-78页 |
| 参考文献 | 第78-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |