| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 SAR图像目标识别发展概述 | 第12-16页 |
| 1.2.1 基于模板匹配的方法 | 第12-13页 |
| 1.2.2 基于模式分类的方法 | 第13-15页 |
| 1.2.3 基于稀疏表示的方法 | 第15-16页 |
| 1.3 本文的研究内容 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第2章 SAR图像目标识别基本理论 | 第19-39页 |
| 2.1 引言 | 第19页 |
| 2.2 SAR图像目标识别框架 | 第19-20页 |
| 2.3 SAR图像预处理 | 第20-22页 |
| 2.4 SAR图像特征提取 | 第22-24页 |
| 2.4.1 传统特征提取 | 第22-23页 |
| 2.4.2 稀疏特征提取 | 第23-24页 |
| 2.4.3 基于深度学习的特征提取 | 第24页 |
| 2.5 图像的空间金字塔模型 | 第24-27页 |
| 2.5.1 词袋模型(Bag of Words) | 第25-26页 |
| 2.5.2 空间金字塔模型(Spatial Pyramid Matching) | 第26-27页 |
| 2.6 SAR图像目标分类算法 | 第27-36页 |
| 2.6.1 贝叶斯分类 | 第28-29页 |
| 2.6.2 神经网络 | 第29-32页 |
| 2.6.3 集成学习 | 第32-33页 |
| 2.6.4 支持向量机 | 第33-36页 |
| 2.7 本章小结 | 第36-39页 |
| 第3章 基于多尺度稀疏表示的SAR图像目标识别 | 第39-51页 |
| 3.1 引言 | 第39页 |
| 3.2 稀疏表示理论简介 | 第39-41页 |
| 3.3 多尺度稀疏特征表示 | 第41-45页 |
| 3.3.1 多尺度密集SIFT特征提取 | 第41-44页 |
| 3.3.2 多尺度字典学习与稀疏表示 | 第44-45页 |
| 3.4 基于多尺度稀疏表示的SAR图像目标识别算法 | 第45-47页 |
| 3.5 实验结果与分析 | 第47-50页 |
| 3.5.1 SAR图像数据集 | 第47-49页 |
| 3.5.2 实验结果分析 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 基于深层去噪自编码网络的SAR图像目标识别 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 深层去噪自编码网络 | 第52-55页 |
| 4.2.1 自编码器 | 第52-53页 |
| 4.2.2 去噪自编码器 | 第53-54页 |
| 4.2.3 深层去噪自编码网络 | 第54-55页 |
| 4.2.4 反向传播微调 | 第55页 |
| 4.3 基于深层自编码网路的SAR图像特征提取 | 第55-57页 |
| 4.4 基于深层自编码网路的SAR图像目标识别算法 | 第57-58页 |
| 4.5 实验结果 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第5章 总结和展望 | 第61-63页 |
| 5.1 论文总结 | 第61-62页 |
| 5.2 未来研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 在读期间发表的学术论文与取得的研究成果 | 第69页 |
