| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 SAR ATR系统 | 第12-13页 |
| 1.2.2 SAR ATR的关键技术 | 第13-15页 |
| 1.2.3 流形学习特征提取方法 | 第15-17页 |
| 1.3 本文的主要贡献与创新 | 第17-20页 |
| 1.4 本文的内容安排 | 第20-21页 |
| 第二章 流形学习SAR目标识别 | 第21-33页 |
| 2.1 SAR数据介绍 | 第21-22页 |
| 2.2 SAR图像预处理 | 第22-28页 |
| 2.2.1 SAR图像分割 | 第23-27页 |
| 2.2.2 SAR图像后处理 | 第27-28页 |
| 2.3 SAR ATR的流形学习理论 | 第28-32页 |
| 2.3.1 流形学习理论 | 第29页 |
| 2.3.2 SAR数据集的流形分布 | 第29-31页 |
| 2.3.3 流形学习SAR目标特征提取 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 边缘样本嵌入特征提取方法 | 第33-59页 |
| 3.1 引言 | 第33-34页 |
| 3.2 边缘样本鉴别嵌入算法 | 第34-37页 |
| 3.2.1 算法基本原理 | 第34-37页 |
| 3.2.2 算法实现 | 第37页 |
| 3.3 核边缘样本鉴别嵌入算法 | 第37-41页 |
| 3.3.1 核方法的基本思想 | 第38-39页 |
| 3.3.2 算法的基本原理 | 第39-41页 |
| 3.3.3 算法实现 | 第41页 |
| 3.4 二维边缘样本鉴别嵌入算法 | 第41-43页 |
| 3.4.1 算法基本原理 | 第42-43页 |
| 3.4.2 算法实现 | 第43页 |
| 3.5 样本鉴别分析算法 | 第43-46页 |
| 3.5.1 算法基本原理 | 第44-46页 |
| 3.5.2 算法实现 | 第46页 |
| 3.6 二维主分量分析和二维边缘样本鉴别嵌入的融合算法 | 第46-47页 |
| 3.6.1 水平二维主分量分析 | 第47页 |
| 3.6.2 算法实现 | 第47页 |
| 3.7 实验分析 | 第47-57页 |
| 3.7.1 算法识别性能评估 | 第48-55页 |
| 3.7.2 算法稳定性评估 | 第55-57页 |
| 3.7.3 算法计算复杂度评估 | 第57页 |
| 3.8 本章小结 | 第57-59页 |
| 第四章 样本熵距离鉴别分析特征提取方法 | 第59-74页 |
| 4.1 引言 | 第59页 |
| 4.2 样本熵距离鉴别分析算法 | 第59-64页 |
| 4.2.1 算法基本原理 | 第60-63页 |
| 4.2.2 算法实现 | 第63-64页 |
| 4.3 核样本熵距离鉴别分析算法 | 第64-66页 |
| 4.3.1 算法的基本原理 | 第64-66页 |
| 4.3.2 算法实现 | 第66页 |
| 4.4 二维样本熵距离鉴别分析算法 | 第66-68页 |
| 4.4.1 算法基本原理 | 第66-68页 |
| 4.4.2 算法实现 | 第68页 |
| 4.5 实验分析 | 第68-72页 |
| 4.5.1 算法识别性能评估 | 第68-71页 |
| 4.5.2 算法稳定性评估 | 第71-72页 |
| 4.6 本章小结 | 第72-74页 |
| 第五章 邻域样本定向鉴别投影特征提取方法 | 第74-88页 |
| 5.1 引言 | 第74页 |
| 5.2 邻域样本定向鉴别投影算法 | 第74-77页 |
| 5.2.1 算法基本原理 | 第74-77页 |
| 5.2.2 算法实现 | 第77页 |
| 5.3 核邻域样本定向鉴别投影算法 | 第77-81页 |
| 5.3.1 算法的基本原理 | 第78-80页 |
| 5.3.2 算法实现 | 第80-81页 |
| 5.4 二维邻域样本定向鉴别投影算法 | 第81-83页 |
| 5.4.1 算法基本原理 | 第81-82页 |
| 5.4.2 算法实现 | 第82-83页 |
| 5.5 实验分析 | 第83-87页 |
| 5.5.1 算法识别性能评估 | 第83-86页 |
| 5.5.2 算法稳定性评估 | 第86-87页 |
| 5.6 本章小结 | 第87-88页 |
| 第六章 广义图嵌入流形学习框架 | 第88-94页 |
| 6.1 现代流形学习方法的特征提取机制 | 第88-89页 |
| 6.1.1 流形学习特征提取算法分析 | 第88页 |
| 6.1.2 流形学习特征提取机制分析 | 第88-89页 |
| 6.2 广义图嵌入流形学习方法 | 第89-93页 |
| 6.3 本章小结 | 第93-94页 |
| 第七章 总结与展望 | 第94-97页 |
| 7.1 全文工作总结 | 第94-95页 |
| 7.2 后续工作展望 | 第95-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-106页 |
| 攻读博士学位期间取得的成果 | 第106-107页 |