|
|
|
基于深度学习的合成孔径雷达地面目标识别技术研究 |
|
论文目录 |
|
摘要 | 第4-5页 | Abstract | 第5-6页 | 第1章 绪论 | 第9-16页 | 1.1 课题背景及研究的目的和意义 | 第9-10页 | 1.2 国内外在该方向上的研究现状 | 第10-14页 | 1.2.1 深度学习在图像识别领域的研究现状 | 第10-12页 | 1.2.2 SAR目标识别技术研究现状 | 第12-14页 | 1.3 论文主要结构 | 第14-16页 | 第2章 卷积神经网络理论 | 第16-29页 | 2.1 引言 | 第16页 | 2.2 卷积神经网络原理 | 第16-18页 | 2.2.1 局部连接 | 第16-17页 | 2.2.2 参数共享 | 第17-18页 | 2.3 卷积神经网络的基本结构 | 第18-25页 | 2.3.1 卷积层 | 第18-19页 | 2.3.2 非线性激活函数 | 第19-21页 | 2.3.3 池化层 | 第21-22页 | 2.3.4 全连接层 | 第22-23页 | 2.3.5 分类器设计 | 第23-25页 | 2.4 卷积神经网络的优化方法 | 第25-28页 | 2.4.1 反向传播 | 第25-26页 | 2.4.2 梯度下降优化算法 | 第26-27页 | 2.4.3 过拟合问题与应对策略 | 第27-28页 | 2.5 本章小结 | 第28-29页 | 第3章 基于卷积神经网络的SAR目标识别方法 | 第29-41页 | 3.1 引言 | 第29页 | 3.2 SAR成像原理简析 | 第29-30页 | 3.3 SAR图像地面目标数据集 | 第30-34页 | 3.3.1 MSTAR公开数据集 | 第30-33页 | 3.3.2 OKTAL仿真数据集 | 第33-34页 | 3.4 SAR图像数据增强方法 | 第34-37页 | 3.5 SAR目标识别算法整体结构 | 第37-38页 | 3.6 训练方法 | 第38-40页 | 3.6.1 批量归一化 | 第38-39页 | 3.6.2 Adam优化算法 | 第39-40页 | 3.7 本章小结 | 第40-41页 | 第4章 系统设计和实验结果分析 | 第41-55页 | 4.1 引言 | 第41页 | 4.2 实验软硬件平台设计 | 第41-43页 | 4.2.1 深度学习框架选择 | 第41-42页 | 4.2.2 实验平台配置 | 第42-43页 | 4.3 MSTAR数据集实验结果 | 第43-53页 | 4.3.1 未使用数据增强方法的SAR目标识别算法 | 第44-47页 | 4.3.2 使用数据增强方法的SAR目标识别算法 | 第47-51页 | 4.3.3 可视化分析 | 第51-53页 | 4.3.4 与不同结构的CNN模型对比 | 第53页 | 4.4 OKTAL仿真数据集实验结果 | 第53-54页 | 4.5 本章小结 | 第54-55页 | 结论 | 第55-56页 | 参考文献 | 第56-60页 | 攻读硕士学位期间发表的论文 | 第60-62页 | 致谢 | 第62页 |
|
|
|
|
论文编号BS2710439,这篇论文共62页 会员购买按0.35元/页下载,共需支付21.7元。 直接购买按0.5元/页下载,共需要支付31元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|