| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 关于SAR图像的国内外发展 | 第10-11页 |
| 1.3 关于深度学习的国内外发展 | 第11-12页 |
| 1.4 论文的主要研究成果和结构安排 | 第12-14页 |
| 1.4.1 主要研究成果 | 第12-13页 |
| 1.4.2 主要结构安排 | 第13-14页 |
| 第2章 传统的深度学习模型训练 | 第14-27页 |
| 2.1 自动编码器模型(AUTOENCODER) | 第14-16页 |
| 2.1.1 稀疏自编码器模型 | 第15-16页 |
| 2.1.2 去噪自编码器模型 | 第16页 |
| 2.2 深度信念网络(DEEP BELIEF NETWORKS) | 第16-18页 |
| 2.2.1 深度信念网络的训练过程 | 第17-18页 |
| 2.3 深度波尔兹曼机模型 | 第18-22页 |
| 2.3.1 深度波尔兹曼机模型的训练过程 | 第21-22页 |
| 2.4 卷积神经网络(CONVOLUTIONAL NEURAL NETWORKS,CNN) | 第22-25页 |
| 2.4.1 卷积层 | 第23-24页 |
| 2.4.2 池化层 | 第24-25页 |
| 2.4.3 卷积神经网络模型(CNN)训练过程 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 SAR图像海陆分离算法的设计 | 第27-36页 |
| 3.1 边缘检测结合灰度差异算法思想 | 第27页 |
| 3.2 边缘检测结合灰度差异算法步骤 | 第27-29页 |
| 3.2.1 SAR图像的边缘检测 | 第27-29页 |
| 3.2.2 利用海陆差异进行海陆分离 | 第29页 |
| 3.3 实验结果分析 | 第29-34页 |
| 3.3.1 直布罗陀海峡的海陆分离实验结果分析 | 第30-31页 |
| 3.3.2 上海市某海域的海陆分离实验结果分析 | 第31-33页 |
| 3.3.3 珍珠港海域的海陆分离实验结果分析 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 改进的CNN卷积神经网络模型 | 第36-46页 |
| 4.1 ELU激活函数算法思想 | 第37-39页 |
| 4.2 ELU-CNN模型训练步骤 | 第39-40页 |
| 4.3 训练样本的改进 | 第40-41页 |
| 4.4 ELU-CNN模型训练结果分析 | 第41-45页 |
| 4.4.1 改进后的ELU-CNN与SIGMOID-CNN实验结果对比分析 | 第43-44页 |
| 4.4.2 改进后的ELU-CNN与RELU-CNN实验结果对比分析 | 第44页 |
| 4.4.3 实验结果对比 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 深度学习模型分类器算法设计 | 第46-53页 |
| 5.1 混合模糊支持向量机算法思想 | 第46-47页 |
| 5.2 混合模糊支持向量机算法步骤 | 第47页 |
| 5.3 实验结果分析 | 第47-52页 |
| 5.3.1 直布罗陀海域的SAR图像舰船目标识别 | 第48-50页 |
| 5.3.2 珍珠港海域的SAR图像舰船目标识别 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-59页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第59页 |
