基于流形学习的SAR图像目标识别技术研究.pdfVIP

目 录 摘 要 i Abstract iii 第一章 绪 论 1 1.1 研究的背景和意义 1 1.2 国内外研究现状 3 1.2.1 研究现状 3 1.2.2 存在的关键问题 14 1.3 论文的主要贡献与内容安排 15 1.3.1 论文的主要贡献和创新 15 1.3.2 论文主要研究内容及章节安排 16 第二章 基于参数化监督流形学习的 SAR 图像目标识别 18 2.1 引言 18 2.2 T 分布邻域嵌入算法及问题分析 18 2.2.1 T 分布邻域嵌入算法 (t-SNE) 18 2.2.2 T 分布邻域嵌入算法问题分析 20 2.3 方位角信息嵌入的 t-SNE 21 2.3.1 方位角信息影响分析 21 2.3.2 方位角信息嵌入建模 22 2.4 参数化监督的 t-SNE 23 2.4.1 监督的 t-SNE 参数化表示 24 2.4.2 PS-tSNE 模型求解 26 2.5 基于 PS-tSNE 的稀疏表示分类 29 2.5.1 稀疏表示分类理论描述及分析 30 2.5.2 算法过程 33 2.6 实验验证与结果分析 34 2.6.1 实验数据集 34 2.6.2 实验参数设置与分析 36 2.6.3 目标可视化分布 37 2.6.4 标准工作条件 38 第 I 页 2.6.5 扩展工作条件 39 2.7 本章小结 42 第三章 基于局部鉴别嵌入流形学习的 SAR 图像目标识别 43 3.1 引言 43 3.2 局部保持投影算法及问题分析 44 3.2.1 局部保持投影算法 44 3.2.2 局部保持投影算法问题分析 45 3.3 鲁棒的局部鉴别投影方法 46 3.4 核化鲁棒的局部鉴别投影方法 49 3.5 实验验证与结果分析 51 3.5.1 参数分析 51 3.5.2 标准工作条件 55 3.5.3 扩展工作条件 56 3.6 本章小结 58 第四章 基于多流形低秩近似的 SAR 图像目标识别 59 4.1 引言 59 4.2 基础理论 60 4.2.1 低秩矩阵分解 60 4.2.2 流形正则化低秩矩阵分解 62 4.3 联合流形正则化低秩矩阵近似 64 4.3.1 算法描述 64 4.3.2 实验验证 67 4.4 基于 MLA-LSR 算法的 SAR 图像目标识别 69 4.4.1 多流形正则化的低秩近似特征表示模型 69 4.4.2 局部稀疏表示分类模型 74 4.4.3 MLA-LSR 算法