基于深度学习的SAR自动目标识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及科学意义 | 第8-9页 |
| 1.2 深度学习研究现状 | 第9-11页 |
| 1.3 SAR自动目标识别研究现状 | 第11-12页 |
| 1.4 文章的结构安排 | 第12-14页 |
| 第二章 深度学习与SAR自动目标识别概述 | 第14-29页 |
| 2.1 深度学习理论概述 | 第14-24页 |
| 2.1.1 卷积神经网络 | 第17-19页 |
| 2.1.2 自编码网络 | 第19-22页 |
| 2.1.3 限制玻尔兹曼机 | 第22-23页 |
| 2.1.4 深度置信网络 | 第23-24页 |
| 2.2 SAR自动目标识别 | 第24-28页 |
| 2.2.1 基于模板匹配的SAR目标识别 | 第26-27页 |
| 2.2.2 基于模型的SAR目标识别 | 第27页 |
| 2.2.3 基于机器学习的SAR目标识别 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于全卷积神经网络的SAR自动目标识别 | 第29-43页 |
| 3.1 卷积神经网络 | 第30-31页 |
| 3.1.1 卷积层 | 第30页 |
| 3.1.2 池化层 | 第30-31页 |
| 3.1.3 全连接层 | 第31页 |
| 3.2 全卷积神经网络 | 第31-32页 |
| 3.2.1 卷积层取代池化层 | 第31-32页 |
| 3.2.2 卷积层取代全连接层 | 第32页 |
| 3.3 基于A-CNN的SAR图像目标分类 | 第32-42页 |
| 3.3.1 数据集简介及硬件配置 | 第33-35页 |
| 3.3.2 数据扩充及预处理 | 第35-36页 |
| 3.3.3 十分类实验 | 第36-38页 |
| 3.3.4 大俯仰角度差分类实验 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于改进自编码的SAR自动目标识别 | 第43-55页 |
| 4.1 自编码器 | 第43-45页 |
| 4.2 改进的自编码网络 | 第45-48页 |
| 4.3 基于改进自编码网络的SAR自动目标识别 | 第48-53页 |
| 4.3.1 数据预处理 | 第48页 |
| 4.3.2 十分类目标实验 | 第48-49页 |
| 4.3.3 算法分析 | 第49-52页 |
| 4.3.4 预训练网络 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 全文总结 | 第55页 |
| 5.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62-63页 |
