| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7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14-18页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究的目的与意义 | 第15-16页 |
| 1.3 研究内容与创新点 | 第16-18页 |
| 第二章 极化SAR降维方法 | 第18-26页 |
| 2.1 拉普拉斯特征映射（LE） | 第18-19页 |
| 2.2 线性判别特征映射（LDLE） | 第19-21页 |
| 2.3 张量分解结合独立成分分析（TICA） | 第21-23页 |
| 2.4 基于深度学习的特征提取 | 第23-24页 |
| 2.5 半监督降维 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于空间信息的半监督降维方法 | 第26-42页 |
| 3.1 构造权重矩阵 | 第26页 |
| 3.2 极化SAR图像局部一致性 | 第26-27页 |
| 3.3 基于空间信息的半监督降维方法 | 第27-29页 |
| 3.4 实验结果及分析 | 第29-40页 |
| 3.4.1 模拟数据的实验 | 第31-33页 |
| 3.4.2 AIRSAR系统在L- Band下Flevoland地区的实验 | 第33-36页 |
| 3.4.3 RADARSAT-2 系统在C - Band下Flevoland地区的实验 | 第36-38页 |
| 3.4.4 EMISAR系统在L- Band下Foloum地区的实验 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于子空间学习的半监督降维方法 | 第42-62页 |
| 4.1 张量子空间 | 第42-43页 |
| 4.2 提出的算法 | 第43-50页 |
| 4.2.1 空间张量表示以及构造新的判别-几何图 | 第44-46页 |
| 4.2.2 判别项 | 第46-47页 |
| 4.2.3 正则项 | 第47-48页 |
| 4.2.4 本章算法的内容 | 第48-50页 |
| 4.3 实验结果与分析 | 第50-60页 |
| 4.3.1 模拟数据的实验 | 第51-53页 |
| 4.3.2 AIRSAR系统在L- Band下Flevoland地区的实验 | 第53-56页 |
| 4.3.3 RADARSAT- 2 系统在C - Band下Flevoland地区的实验 | 第56-58页 |
| 4.3.4 EMISAR系统在L- Band下Foloum地区的实验 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 基于空间信息的半监督深度学习方法 | 第62-80页 |
| 5.1 背景与相关工作 | 第62-64页 |
| 5.1.1 深度神经网络 | 第62-64页 |
| 5.1.2 Softmax分类器 | 第64页 |
| 5.2 基于空间信息的半监督深度学习算法 | 第64-68页 |
| 5.2.1 空间信息 | 第66页 |
| 5.2.2 训练样本的近邻无标记样本 | 第66-67页 |
| 5.2.3 基于空间信息的半监督深度学习方法 | 第67-68页 |
| 5.3 实验结果及分析 | 第68-79页 |
| 5.3.1 模拟数据的实验 | 第70-74页 |
| 5.3.2 AIRSAR系统在L- Band下Flevoland地区的实验 | 第74-75页 |
| 5.3.3 RADARSAT- 2 系统在C - Band下Flevoland地区的实验 | 第75-77页 |
| 5.3.4 EMISAR系统在L- Band下Foloum地区的实验 | 第77-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 论文总结 | 第80页 |
| 6.2 工作展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 作者简介 | 第90-91页 |
