| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第10-13页 |
| 第1章 绪论 | 第13-37页 |
| 1.1 课题研究背景及意义 | 第13-17页 |
| 1.2 叶簇覆盖目标检测及识别研究现状 | 第17-19页 |
| 1.3 目标特征提取与识别研究现状 | 第19-27页 |
| 1.3.1 目标特征提取 | 第20-25页 |
| 1.3.2 目标检测及识别 | 第25-27页 |
| 1.4 论文主要研究内容 | 第27-29页 |
| 1.5 论文的章节安排 | 第29-30页 |
| 参考文献 | 第30-37页 |
| 第2章 基于稀疏表示的目标特征提取 | 第37-60页 |
| 2.1 引言 | 第37-38页 |
| 2.2 信号稀疏表示模型 | 第38-39页 |
| 2.3 稀疏分解算法 | 第39-41页 |
| 2.3.1 贪婪追踪算法 | 第39-40页 |
| 2.3.2 凸松弛法 | 第40-41页 |
| 2.4 冗余完备字典构建 | 第41-44页 |
| 2.4.1 传统的字典构造方法 | 第41-42页 |
| 2.4.2 基于学习的字典构造方法 | 第42-44页 |
| 2.5 基于稀疏表示的目标特征提取 | 第44-54页 |
| 2.5.1 目标信号的测量和获取 | 第44-47页 |
| 2.5.2 基于传统字典的目标特征提取 | 第47-50页 |
| 2.5.3 基于学习字典的目标特征提取 | 第50-54页 |
| 2.6 实验验证分析 | 第54-56页 |
| 2.6.1 稀疏特征可分性验证 | 第54-55页 |
| 2.6.2 稀疏特征有效性验证 | 第55-56页 |
| 2.7 本章小结 | 第56页 |
| 参考文献 | 第56-60页 |
| 第3章 基于优化支持向量机的目标识别方法研究 | 第60-91页 |
| 3.1 引言 | 第60-61页 |
| 3.2 支持向量机 | 第61-66页 |
| 3.2.1 最优分类超平面 | 第61-62页 |
| 3.2.2 线性支持向量机 | 第62-64页 |
| 3.2.3 非线性支持向量机 | 第64-66页 |
| 3.3 支持向量机参数优化 | 第66-68页 |
| 3.4 ACPSO优化SVM参数的目标识别方法 | 第68-77页 |
| 3.4.1 粒子群优化算法 | 第68-70页 |
| 3.4.2 自适应混沌粒子群算法 | 第70-73页 |
| 3.4.3 ACPSO优化SVM参数 | 第73-74页 |
| 3.4.4 ACPSO优化SVM参数性能分析 | 第74-77页 |
| 3.5 DEPSO优化SVM参数的目标识别方法 | 第77-87页 |
| 3.5.1 基于差分进化的粒子群优化算法 | 第77-80页 |
| 3.5.2 DEPSO优化SVM参数 | 第80-82页 |
| 3.5.3 DEPSO优化性能分析 | 第82页 |
| 3.5.4 DEPSO优化SVM参数的目标识别性能分析 | 第82-85页 |
| 3.5.5 基于不同特征提取的识别算法性能比较 | 第85-86页 |
| 3.5.6 抗噪性能分析 | 第86-87页 |
| 3.6 本章小结 | 第87-88页 |
| 参考文献 | 第88-91页 |
| 第4章 基于优化小波支持向量机的目标识别方法研究 | 第91-112页 |
| 4.1 引言 | 第91-92页 |
| 4.2 小波变换 | 第92-93页 |
| 4.3 小波核函数 | 第93-95页 |
| 4.3.1 支持向量核函数的条件 | 第93-94页 |
| 4.3.2 小波核函数 | 第94-95页 |
| 4.4 小波支持向量机 | 第95-96页 |
| 4.5 小波支持向量机参数的优化 | 第96-103页 |
| 4.5.1 量子进化算法 | 第96-98页 |
| 4.5.2 混合量子粒子群算法 | 第98-102页 |
| 4.5.3 HQPSO算法优化WSVM参数 | 第102-103页 |
| 4.6 实验验证分析 | 第103-109页 |
| 4.6.1 HQPSO优化性能分析 | 第103-104页 |
| 4.6.2 HQPSO优化WSVM参数的目标识别性能分析 | 第104-106页 |
| 4.6.3 训练样本数目对识别算法性能影响 | 第106-107页 |
| 4.6.4 基于不同特征提取的识别算法性能比较 | 第107-108页 |
| 4.6.5 抗噪性能分析 | 第108-109页 |
| 4.7 本章小结 | 第109-110页 |
| 参考文献 | 第110-112页 |
| 第5章 基于稀疏表示的多场景下多目标识别方法研究 | 第112-126页 |
| 5.1 引言 | 第112-113页 |
| 5.2 稀疏表示分类方法 | 第113-117页 |
| 5.2.1 基于训练样本的稀疏表示分类方法 | 第114-115页 |
| 5.2.2 基于学习字典的稀疏表示分类方法 | 第115-117页 |
| 5.3 基于稀疏表示的多场景下多目标的识别算法 | 第117-119页 |
| 5.4 实验验证分析 | 第119-123页 |
| 5.4.1 基于稀疏表示的多场景下多目标的识别性能 | 第119-122页 |
| 5.4.2 学习字典维数对目标识别性能的影响 | 第122-123页 |
| 5.5 本章小结 | 第123-124页 |
| 参考文献 | 第124-126页 |
| 第6章 总结与展望 | 第126-129页 |
| 6.1 论文的主要研究成果 | 第126-128页 |
| 6.2 下一步工作展望 | 第128-129页 |
| 图表索引 | 第129-131页 |
| 致谢 | 第131-132页 |
| 攻读学位期间发表的学术论文目录 | 第132-133页 |
