| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 SAR图像目标识别技术研究现状 | 第11-12页 |
| 1.2.2 SAR图像特征提取及特征选择技术研究现状 | 第12-13页 |
| 1.2.3 多波段多极化SAR图像目标识别研究现状 | 第13页 |
| 1.3 本文研究内容及章节安排 | 第13-15页 |
| 第2章 SAR图像目标识别相关理论与方法 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 SAR成像原理及图像特点 | 第15-16页 |
| 2.3 SAR图像目标识别流程 | 第16-20页 |
| 2.3.1 预处理 | 第17页 |
| 2.3.2 特征提取 | 第17-18页 |
| 2.3.3 分类器设计 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于混合智能优化和决策级融合SAR图像目标特征选择方法 | 第21-36页 |
| 3.1 引言 | 第21页 |
| 3.2 基于混合智能优化算法的SAR图像特征选择 | 第21-31页 |
| 3.2.1 算法总体框架 | 第21-22页 |
| 3.2.2 候选特征集合 | 第22-26页 |
| 3.2.3 混合智能优化算法 | 第26-28页 |
| 3.2.4 实验分析 | 第28-31页 |
| 3.3 SAR图像多特征决策级融合方法 | 第31-34页 |
| 3.3.1 融合策略 | 第31-32页 |
| 3.3.2 实验分析 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于压缩感知的SAR图像变形目标识别算法 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 压缩感知理论 | 第36-37页 |
| 4.3 基于压缩感知的SAR图像目标识别算法原理及实验分析 | 第37-42页 |
| 4.3.1 算法原理 | 第37-38页 |
| 4.3.2 字典构成方法 | 第38页 |
| 4.3.3 基于稀疏解的目标分类 | 第38页 |
| 4.3.4 实验分析 | 第38-42页 |
| 4.4 基于压缩感知和支持向量机决策级融合的SAR变形目标识别算法 | 第42-47页 |
| 4.4.1 算法总体框架 | 第42-43页 |
| 4.4.2 基于稀疏解的姿态估计方法 | 第43页 |
| 4.4.3 基于支持向量机的SAR图像目标识别算法 | 第43页 |
| 4.4.4 实验分析 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于多波段多极化仿真图像的SAR目标识别 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 基于Vega的SAR图像仿真技术 | 第48-53页 |
| 5.2.1 仿真总体框图 | 第48-49页 |
| 5.2.2 Vega软件模块介绍 | 第49-52页 |
| 5.2.3 多波段多极化SAR图像仿真流程 | 第52-53页 |
| 5.3 基于多波段多极化SAR仿真图像的目标识别实验分析 | 第53-57页 |
| 5.3.1 基于CS和SVM的识别结果 | 第54-55页 |
| 5.3.2 基于最优波段极化方式的识别结果 | 第55-56页 |
| 5.3.3 基于最优特征集合的识别结果 | 第56-57页 |
| 5.3.4 基于CS和SVM决策级融合的识别结果 | 第57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-62页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 附录 | 第69-70页 |
