| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题来源 | 第11页 |
| 1.2 研究背景和研究意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.4 本文的主要内容和安排 | 第17-18页 |
| 第二章 图像预处理 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 感兴趣区域提取 | 第18-20页 |
| 2.3 数据增强 | 第20-24页 |
| 2.3.1 数据增强概述 | 第20页 |
| 2.3.2 常用的数据增强方法 | 第20-23页 |
| 2.3.3 本文运用的数据增强方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于深度卷积神经网络的SAR图像识别方法 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 卷积神经网络概述 | 第25-27页 |
| 3.3 反向传播算法 | 第27-29页 |
| 3.4 卷积神经网络理论 | 第29-33页 |
| 3.4.1 图像识别流程 | 第29-30页 |
| 3.4.2 卷积神经网络的特点 | 第30-31页 |
| 3.4.3 卷积神经网络架构 | 第31-33页 |
| 3.5 SARnet网络结构 | 第33-34页 |
| 3.6 实验结果与分析 | 第34-40页 |
| 3.6.1 实验环境 | 第34-35页 |
| 3.6.2 实验数据介绍 | 第35-36页 |
| 3.6.3 SARnet网络模型训练细节 | 第36-37页 |
| 3.6.4 SARnet网络参数配置选择实验 | 第37-38页 |
| 3.6.5 Relu激活函数对网络性能影响实验 | 第38-39页 |
| 3.6.6 感兴趣区域参数L比较实验 | 第39页 |
| 3.6.7 与现有SAR图像识别算法比较 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 基于无监督K均值特征和数据增强的SAR图像目标识别方法 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 无监督学习概述 | 第41-42页 |
| 4.3 K-means相关理论 | 第42-45页 |
| 4.3.1 K-means算法 | 第43-44页 |
| 4.3.2 图像分块编码策略 | 第44-45页 |
| 4.4 基于无监督K均值特征和数据增强的SAR图像目标识别实验 | 第45-50页 |
| 4.4.1 实验环境 | 第45页 |
| 4.4.2 实验数据 | 第45-46页 |
| 4.4.3 类心个数实验分析 | 第46页 |
| 4.4.4 接受域大小实验分析 | 第46-47页 |
| 4.4.5 感兴趣区域参数L选择实验 | 第47-48页 |
| 4.4.6 与原始数据比较实验结果 | 第48-49页 |
| 4.4.7 所提方法实验效率分析 | 第49页 |
| 4.4.8 所提方法与已有算法比较 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士期间成果 | 第58-59页 |
| 致谢 | 第59页 |