基于深度神经网络的人车分类算法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 论文内容安排 | 第19-20页 |
| 第二章 连续波雷达目标回波信号建模 | 第20-30页 |
| 2.1 三角线性调频连续波 | 第20-23页 |
| 2.1.1 多周期信号模型 | 第20-22页 |
| 2.1.2 差拍信号频谱响应特性 | 第22-23页 |
| 2.2 线性调频连续波雷达回波信号预处理 | 第23-25页 |
| 2.2.1 脉冲对消动目标显示 | 第23-24页 |
| 2.2.2 CLEAN算法 | 第24-25页 |
| 2.3 微多普勒的数学模型 | 第25-30页 |
| 第三章 稀疏自编码器与卷积神经网络 | 第30-50页 |
| 3.1 神经网络 | 第30-41页 |
| 3.1.1 人工神经元 | 第31-32页 |
| 3.1.2 多层神经网络 | 第32-35页 |
| 3.1.3 后向传播算法 | 第35-36页 |
| 3.1.4 批梯度下降与随机梯度下降 | 第36-37页 |
| 3.1.5 规则化 | 第37-41页 |
| 3.2 表征学习 | 第41-43页 |
| 3.3 自编码器 | 第43-46页 |
| 3.3.1 规则化的自编码算法 | 第44-45页 |
| 3.3.2 稀疏自编码器 | 第45-46页 |
| 3.4 卷积神经网络 | 第46-50页 |
| 3.4.1 图像卷积 | 第46-48页 |
| 3.4.2 池化 | 第48-50页 |
| 第四章 基于深度神经网络的人车分类方法 | 第50-70页 |
| 4.1 数值优化算法 | 第50-57页 |
| 4.1.1 最速下降法 | 第51-52页 |
| 4.1.2 牛顿法 | 第52-54页 |
| 4.1.3 BFGS | 第54-56页 |
| 4.1.4 L-BFGS | 第56-57页 |
| 4.2 人车分类算法 | 第57-62页 |
| 4.2.1 数据预处理 | 第57-59页 |
| 4.2.2 训练稀疏自编码器 | 第59-60页 |
| 4.2.3 卷积、池化与分类 | 第60-61页 |
| 4.2.4 算法流程 | 第61-62页 |
| 4.3 实验设置及算法仿真 | 第62-70页 |
| 4.3.1 实验设置及结果 | 第62-64页 |
| 4.3.2 算法性能分析 | 第64-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 工作结论 | 第70-71页 |
| 5.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
