| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-20页 |
| 第一章 绪论 | 第20-36页 |
| ·引言 | 第20-21页 |
| ·SAR ATR研究现状 | 第21-23页 |
| ·SAR自动目标识别现状和问题 | 第23-26页 |
| ·影响SAR ATR性能的因素 | 第23-24页 |
| ·SAR ATR中的难点 | 第24-26页 |
| ·稀疏性在逆问题中的应用 | 第26-29页 |
| ·本文的内容安排 | 第29-36页 |
| ·实验数据介绍 | 第29-32页 |
| ·论文内容和安排 | 第32-36页 |
| 第二章 基于非负稀疏表示的SAR图像目标识别 | 第36-48页 |
| ·引言 | 第36-37页 |
| ·稀疏表示模型 | 第37页 |
| ·非负稀疏表示模型 | 第37-39页 |
| ·GPSR算法 | 第38-39页 |
| ·非负稀疏表示的分类方法 | 第39-41页 |
| ·字典构造 | 第39页 |
| ·选择P_(0+)还是选择P_(1+)~λ求解 | 第39-40页 |
| ·引入相对稀疏因子 | 第40-41页 |
| ·分类过程 | 第41页 |
| ·基于非负稀疏表示分类的SAR图像目标识别 | 第41-43页 |
| ·预处理 | 第41页 |
| ·随机投影降维 | 第41页 |
| ·基于非负稀疏表示分类的SAR图像目标识别过程 | 第41-43页 |
| ·实验结果与分析 | 第43-47页 |
| ·实验场景 | 第43页 |
| ·遮挡数据生成 | 第43-44页 |
| ·相对稀疏因子对性能的影响 | 第44页 |
| ·训练样本集大小对性能的影响 | 第44-45页 |
| ·有无遮挡情况下的对比实验 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第三章 基于结构化稀疏的遮挡下SAR图像目标识别 | 第48-64页 |
| ·引言 | 第48页 |
| ·结构化稀疏表示模型 | 第48-53页 |
| ·组稀疏 | 第49页 |
| ·结构化稀疏 | 第49-53页 |
| ·基于结构化稀疏遮挡模型的分类 | 第53-56页 |
| ·结构化稀疏遮挡模型 | 第53-54页 |
| ·模型求解 | 第54-56页 |
| ·分类准则 | 第56页 |
| ·实验结果与分析 | 第56-63页 |
| ·实验数据与设置 | 第56-57页 |
| ·不同遮挡大小情况下的实验 | 第57-59页 |
| ·遮挡物数量变化情况下的实验 | 第59-61页 |
| ·采用“Sliey”遮挡情况下的实验 | 第61-62页 |
| ·模型对参数设置的稳健性实验 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 联合阴影和目标区域图像的SAR目标识别方法 | 第64-74页 |
| ·引言 | 第64页 |
| ·联合稀疏表示模型 | 第64-67页 |
| ·共享字典联合稀疏表示模型 | 第64-65页 |
| ·独立字典的联合稀疏表示模型 | 第65页 |
| ·独立字典的联合稀疏表示模型的优化求解 | 第65-67页 |
| ·算法复杂度分析 | 第67页 |
| ·联合阴影和目标区域图像的SAR目标识别方法 | 第67-70页 |
| ·阴影区域和目标区域提取 | 第67-68页 |
| ·随机投影降维 | 第68页 |
| ·字典构造 | 第68页 |
| ·分类准则 | 第68-69页 |
| ·联合阴影与目标区域图像的SAR目标识别过程 | 第69-70页 |
| ·实验结果与分析 | 第70-72页 |
| ·联合阴影和目标区域的SAR目标识别 | 第70-72页 |
| ·分割阈值对识别性能的影响 | 第72页 |
| ·本章小结 | 第72-74页 |
| 第五章 相似性约束的字典学习方法 | 第74-86页 |
| ·引言 | 第74页 |
| ·字典学习方法介绍 | 第74-80页 |
| ·VQ方法 | 第75页 |
| ·MOD方法 | 第75-76页 |
| ·K-SVD方法 | 第76-78页 |
| ·D-KSVD方法 | 第78-79页 |
| ·Label Consistent K-SVD方法 | 第79-80页 |
| ·相似性约束的字典学习 | 第80-81页 |
| ·实验结果与讨论 | 第81-85页 |
| ·三类识别实验结果 | 第81-82页 |
| ·稀疏表示的相似度分析 | 第82-85页 |
| ·本章小结 | 第85-86页 |
| 第六章 相似性约束的深度置信网络在SAR图像目标识别的应用 | 第86-98页 |
| ·引言 | 第86-87页 |
| ·相似性约束的限制玻尔兹曼机 | 第87-90页 |
| ·限制玻尔兹曼机 | 第87页 |
| ·相似性约束的限制玻尔兹曼机 | 第87-90页 |
| ·RBM中的稀疏性约束 | 第90页 |
| ·相似性约束的深度置信网络 | 第90-92页 |
| ·SDBN的训练过程 | 第91页 |
| ·SDBN的测试过程 | 第91-92页 |
| ·实验结果与讨论 | 第92-95页 |
| ·实验所用的SDBN结构 | 第92-93页 |
| ·实验结果 | 第93-95页 |
| ·本章小结 | 第95-98页 |
| 第七章 基于卷积神经网络与数据扩充的SAR目标识别方法 | 第98-114页 |
| ·引言 | 第98页 |
| ·姿态图像缺失下的SAR目标识别 | 第98-103页 |
| ·姿态图像合成模型 | 第98-101页 |
| ·采用合成数据进行目标识别实验 | 第101-103页 |
| ·卷积神经网络与数据扩充 | 第103-108页 |
| ·神经网络 | 第103-105页 |
| ·卷积神经网络 | 第105-106页 |
| ·用于SAR目标识别的卷积神经网络 | 第106-107页 |
| ·数据扩充 | 第107-108页 |
| ·实验结果 | 第108-113页 |
| ·平移敏感性实验 | 第108-109页 |
| ·噪声敏感性实验 | 第109-110页 |
| ·姿态图像合成 | 第110页 |
| ·结合全部扩充方式 | 第110-113页 |
| ·本章小结 | 第113-114页 |
| 第八章 结束语 | 第114-118页 |
| ·本文内容总结 | 第114-115页 |
| ·工作展望 | 第115-118页 |
| 附录A 相似性约束的高斯限制波尔兹曼机条件概率分布推导 | 第118-122页 |
| 参考文献 | 第122-134页 |
| 致谢 | 第134-136页 |
| 作者简介 | 第136-137页 |
