基于联合稀疏表示和深度学习的SAR图像目标识别方法研究

声明

学位论文答辩信息表

缩略语对照表

第一章 绪论

1.1 研究背景和意义

1.2 合成孔径雷达发展历史

1.3 SAR图像基本特性

1.4 SAR图像目标识别研究现状

1.4.1 SAR 图像目标检测

1.4.2 SAR 图像目标鉴别

1.4.3 SAR 图像目标识别

1.5 研究内容以及结构安排

第二章 SAR目标识别的相关知识

2.1 引言

2.2 降维和特征提取方法

2.2.1 主成分分析

2.2.2 线性判别分析

2.3 分类算法

2.3.1 K近邻算法

2.3.2 支持向量机分类器

2.3.3 联合稀疏表示分类器

2.4 聚类算法

2.4.1 K-均值聚类算法

2.4.2 模糊C-均值聚类算法

2.5 深度学习相关知识

2.5.1 卷积神经网络

2.5.2 残差网络结构

2.5.3 稠密网络结构

第三章 基于多任务压缩感知的SAR目标识别方法

3.1 引言

3.2 互补特征提取

3.2.1 主成分分析方法

3.2.2 椭圆傅里叶描述子

3.2.3 方位敏感度图

3.3 基于联合互补特征的目标识别方法

3.3.1 多任务压缩感知

3.3.2 目标识别

3.4 实验

3.4.1 MSTAR 数据集和实验设置

3.4.2 在SOC下的实验结果

3.4.3 在EOCs下的实验结果

3.5 本章小结

第四章 多级主散射图像联合稀疏表示的SAR目标识别方法

4.1 引言

4.2 多级DSIs的生成

4.3 基于SRC的可靠性水平

4.4 多级DSIs的联合稀疏表示的识别方法

4.4.1联合稀疏表示

4.4.2识别方法的步骤

4.5 实验

4.5.1 在SOC下实验结果

4.5.2 在EOCs下的实验结果

4.6本章小结

第五章 可靠性分析在基于决策融合SAR图像目标识别中的应用

5.1 引言

5.2 决策可靠性分析

5.3 决策可靠性分析在SAR决策融合中的应用

5.3.1 贝叶斯决策融合

5.3.2 目标识别流程

5.4 实验结果与分析

5.4.1多特征决策融合

5.4.2多分类器决策融合

5.4.3可靠性门限的影响

5.5 本章小结

第六章 基于稠密残差结构的SAR目标识别深度学习算法

6.1 引言

6.2 深度学习应用于SAR 目标识别中存在的问题

6.2.1 适当的网络模型结构仍处于探索阶段

6.2.2 缺乏大量可用的训练数据

6.3 基于稠密残差结构的深度学习模型

6.3.1 数据集增强

6.3.2 稠密残差结构

6.3.3 全连接层与Softmax函数(1)全连接层

6.3.4 代价函数和反向传播算法

6.4 基于稠密残差结构的深度学习算法的性能评估

6.4.1 实验设置和数据集

6.4.3 在EOC下的识别性能

6.5 本章小结

第七章 总结

7.1 总结

7.2 展望

参考文献

攻读学位期间取得的主要研究成果

致谢