| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 SAR图像目标识别的研究现状 | 第14-17页 |
| 1.2.2 深度学习的研究现状 | 第17-18页 |
| 1.3 SAR图像目标识别关键技术和面临的挑战 | 第18-19页 |
| 1.3.1 SAR图像目标识别的关键技术 | 第18-19页 |
| 1.3.2 基于深度学习的SAR目标识别面临的挑战 | 第19页 |
| 1.4 论文的主要工作及章节结构安排 | 第19-21页 |
| 第二章 卷积神经网络基本原理 | 第21-36页 |
| 2.1 CNNs工作原理 | 第21-23页 |
| 2.1.1 局部连接 | 第22页 |
| 2.1.2 权值共享 | 第22-23页 |
| 2.2 CNNs模型的基本组成部分 | 第23-28页 |
| 2.2.1 卷积层 | 第23-25页 |
| 2.2.2 下采样层 | 第25-26页 |
| 2.2.3 全连接层 | 第26-27页 |
| 2.2.4 输出层 | 第27-28页 |
| 2.3 CNNs模型的训练 | 第28-33页 |
| 2.3.1 反向传播算法 | 第28-30页 |
| 2.3.2 梯度下降算法 | 第30-32页 |
| 2.3.3 CNNs训练过程 | 第32-33页 |
| 2.4 CNNs模型的抑制过拟合措施 | 第33-35页 |
| 2.4.1 正则化技术 | 第33-34页 |
| 2.4.2 Dropout机制 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于卷积神经网络的SAR图像目标识别算法研究 | 第36-58页 |
| 3.1 CNNs的优越性及算法研究的关键技术 | 第36-37页 |
| 3.1.1 CNNs解决图像识别问题的优越性 | 第36页 |
| 3.1.2 CNNs应用于图像识别的关键技术 | 第36-37页 |
| 3.2 SAR图像数据集介绍 | 第37-39页 |
| 3.3 基于CNNs的SAR图像目标识别算法及其优化策略 | 第39-46页 |
| 3.3.1 应用于SAR图像目标识别的CNNs网络结构描述 | 第39-40页 |
| 3.3.2 训练算法模型的优化策略 | 第40-43页 |
| 3.3.3 基于CNNs的SAR图像目标识别算法流程 | 第43-46页 |
| 3.4 算法优化策略及参数设计的实验分析与总结 | 第46-56页 |
| 3.4.1 实验条件与参数设置 | 第46-47页 |
| 3.4.2 算法优化策略的实验与分析 | 第47-50页 |
| 3.4.3 模型结构参数设计的实验与分析 | 第50-53页 |
| 3.4.4 实验结果总结 | 第53-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 算法模型实际应用性能研究 | 第58-71页 |
| 4.1 实际应用面临的挑战及解决措施 | 第58-61页 |
| 4.1.1 样本平移扩充 | 第58-59页 |
| 4.1.2 样本旋转扩充 | 第59-60页 |
| 4.1.3 样本加噪扩充 | 第60页 |
| 4.1.4 样本遮挡扩充 | 第60-61页 |
| 4.2 不同实际应用情况下的实验结果与分析 | 第61-65页 |
| 4.2.1 未扩充训练样本时的实验结果 | 第61-62页 |
| 4.2.2 训练样本扩充后SAR目标识别算法 | 第62-65页 |
| 4.3 基于多样本扩充CNNs的SAR图像目标识别算法 | 第65-68页 |
| 4.3.1 设计思路 | 第65页 |
| 4.3.2 算法描述 | 第65-66页 |
| 4.3.3 基于多样本扩充的SAR图像目标识别结果与分析 | 第66-68页 |
| 4.4 小样本问题的研究 | 第68-70页 |
| 4.4.1 SAR目标识别中的小样本问题 | 第68-69页 |
| 4.4.2 多样本扩充方法在小样本情况下的实验结果与分析 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-75页 |
| 5.1 本文主要工作 | 第71-72页 |
| 5.2 本文主要创新点 | 第72页 |
| 5.3 进一步工作展望 | 第72-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的学术论文 | 第80页 |
