| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 SAR ATR 研究背景及意义 | 第10-11页 |
| 1.2 SAR ATR 国内外研究现状 | 第11-14页 |
| 1.2.1 国外现状 | 第11-13页 |
| 1.2.2 国内现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 第2章 SAR ATR 相关理论 | 第15-22页 |
| 2.1 SAR 图像的基本特性 | 第15-16页 |
| 2.2 SAR ATR 关键技术 | 第16-19页 |
| 2.2.1 SAR ATR 的系统框架 | 第16-17页 |
| 2.2.2 SAR ATR 的关键技术 | 第17-19页 |
| 2.3 MSTAR 数据库简介 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于复 Contourlet 变换和 HMT 模型的 SAR 图像预处理算法 | 第22-31页 |
| 3.1 复 Contourlet 变换 | 第22-25页 |
| 3.1.1 Contourlet 基本原理 | 第22-23页 |
| 3.1.2 复 Contourlet 变换基本原理 | 第23-25页 |
| 3.2 复 Contourlet 变换的 HMT 模型 | 第25-28页 |
| 3.2.1 复 Contourlet 域 HMT 模型的统计建模 | 第25-26页 |
| 3.2.2 期望值最大算法的基本原理 | 第26-27页 |
| 3.2.3 基于 HMT 模型的复 Contourlet 系数的贝叶斯估计 | 第27-28页 |
| 3.2.4 算法实现过程 | 第28页 |
| 3.3 实验结果与分析 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 最大异类距离嵌入的特征提取方法 | 第31-43页 |
| 4.1 流形理论 | 第31-32页 |
| 4.2 LPP 算法介绍 | 第32-34页 |
| 4.3 最大异类距离嵌入 | 第34-42页 |
| 4.3.1 最大异类距离嵌入的基本原理 | 第34-36页 |
| 4.3.2 最大异类距离嵌入算法实现 | 第36-37页 |
| 4.3.3 最大异类距离嵌入实验分析 | 第37-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于神经网络集成目标识别方法 | 第43-52页 |
| 5.1 神经网络集成基本原理 | 第43-46页 |
| 5.1.1 神经网络集成定义 | 第43-44页 |
| 5.1.2 神经网络集成理论分析 | 第44-45页 |
| 5.1.3 神经网络集成实现方法 | 第45-46页 |
| 5.2 基于方位角分类的神经网络集成 | 第46-48页 |
| 5.2.1 SAR 图像分类原理 | 第46页 |
| 5.2.2 系统结构和集成策略 | 第46-47页 |
| 5.2.3 二级神经网络集成的训练方法 | 第47-48页 |
| 5.3 仿真实验与数据分析 | 第48-50页 |
| 5.3.1 集成系统性能测试 | 第49-50页 |
| 5.3.2 SAR 图像识别分类算法横向对比 | 第50页 |
| 5.4 本章小结 | 第50-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间所发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |
