基于支持向量机的SAR图像目标识别
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·选题背景及研究意义 | 第7-8页 |
| ·研究现状及发展趋势 | 第8-10页 |
| ·SAR 图像目标识别研究现状及发展趋势 | 第8-9页 |
| ·支持向量机研究现状 | 第9-10页 |
| ·研究内容和组织结构 | 第10-12页 |
| 2 合成孔径雷达(SAR) | 第12-18页 |
| ·SAR 成像的基本原理 | 第12-13页 |
| ·SAR 成像目标特性分析 | 第13-15页 |
| ·SAR 图像中不同地物目标的特点 | 第13-14页 |
| ·SAR 图像数据的统计特性 | 第14-15页 |
| ·SAR 图像目标识别 | 第15-17页 |
| ·雷达目标识别概述 | 第15页 |
| ·SAR 图像自动目标识别的难点 | 第15-16页 |
| ·SAR 图像目标识别的关键技术 | 第16-17页 |
| ·SAR 图像目标识别流程 | 第17页 |
| ·本章小结 | 第17-18页 |
| 3 SAR 图像预处理及特征提取 | 第18-24页 |
| ·对SAR 图像进行预处理的必要性 | 第18-20页 |
| ·SAR 图像斑点噪声抑制 | 第19页 |
| ·SAR 图像边缘检测及分割 | 第19-20页 |
| ·SAR 图像目标特征提取 | 第20-23页 |
| ·SAR 图像目标特征概述 | 第20-21页 |
| ·基于形状特征的Hu 不变矩特征提取 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 4 统计学习理论与支持向量机 | 第24-39页 |
| ·统计学习理论的基本思想 | 第24-28页 |
| ·函数集的VC 维 | 第24-26页 |
| ·推广能力的界 | 第26页 |
| ·结构风险最小化(SRM) | 第26-28页 |
| ·支持向量机 | 第28-34页 |
| ·线性可分最优分类面 | 第28-29页 |
| ·线性不可分最优分类面 | 第29-30页 |
| ·核函数 | 第30-32页 |
| ·多类支持向量机 | 第32-34页 |
| ·支持向量机常用训练算法 | 第34-36页 |
| ·改进的快速支持向量机训练算法 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 5 应用支持向量机的SAR 图像目标识别实验 | 第39-45页 |
| ·实验流程 | 第39-40页 |
| ·HU 不变矩特征提取及归一化 | 第40页 |
| ·SVM 分类器设计 | 第40-41页 |
| ·HU 不变矩特征和的SVM 结合的目标识别实验 | 第41-43页 |
| ·实验内容 | 第41-42页 |
| ·实验结果与分析 | 第42-43页 |
| ·改进的快速支持向量机训练算法实验 | 第43-45页 |
| ·实验内容 | 第43-44页 |
| ·实验结果与分析 | 第44-45页 |
| 6 结论 | 第45-47页 |
| ·本文工作总结 | 第45页 |
| ·未来工作展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录 | 第51页 |
