第一章 绪 论
1.1 研究背景及意义
1.2国内外研究现状
1.2.1 SAR图像目标识别研究现状
1.2.2 压制式干扰技术研究发展现状
1.2.3 SAR抗压制干扰技术研究发展现状
1.2.4 深度学习研究发展现状
1.3 论文结构和内容安排
第二章 SAR压制式干扰与深度学习基本原理
2.1 引言
2.2.1 SAR成像模型
2.2.2 SAR经典成像算法
2.3.1 分辨率特征
2.3.2 SAR图像相干斑原理
2.3.3 SAR图像的统计分布特性
2.4 SAR图像特征提取与目标识别
2.5 深度学习模型
2.5.1 自动编码器
2.5.2 受限玻尔兹曼机
2.5.3 深层置信网络(DBN)
2.5.4 循环神经网络(RNN)
2.5.5 卷积神经网络(CNN)
2.6.1 雷达干扰种类及基本原理
2.6.2 压制式干扰基本原理
2.7 本章小结
第三章 基于卷积神经网络的SAR图像去干扰方法
3.1 引言
3.2 卷积神经网络的基本结构
3.2.1 卷积层
3.2.2 池化层
3.2.3 批归一化层
3.2.4 激活函数
3.3 基于卷积-反卷积对称神经网络的去噪模型
3.3.1 网络结构
3.3.2 卷积层和反卷积层
3.3.3 网络训练
3.4 基于残差学习的深度降噪神经网络的去噪模型
3.5 基于深度学习的去噪模型实验
3.5.1 构造干扰数据集
3.5.2 高斯噪声干扰下各去噪方法比较
3.5.3 压制干扰下两种基于CNN去噪网络比较
3.6 本章小结
第四章 不同干扰模式下SAR图像去干扰和分类识别
4.1 引言
4.2 压制式干扰对SAR成像效果的影响
4.3 不同种类及强度压制干扰对识别准确率的影响
4.3.1 扩充MSTAR数据集
4.3.2 不同种类及强度的压制干扰对识别率的影响
4.4 训练集选取对识别准确率的影响
4.5 基于DnCNN去噪网络处理对识别率的影响
4.6 压制干扰下SAR图像分类识别方法
4.7 本章小结
第五章 总结与展望
5.1 本文总结
5.2 工作展望
致谢
参考文献