毕业论文

打赏
当前位置: 毕业论文 > 电子通信 >

基于深度学习理论的高分辨率SAR图像人造目标特征分析(2)

时间:2021-11-17 21:29来源:毕业论文
实验结果与分析 16 2。5 小结 17 3 卷积神经网络基本原理及算法 18 3。1 CNN 基本原理概述 18 3。2 CNN 算法方案设计 22 3。3 CNN 算法模型验证 23 3。4 实验结果与

实验结果与分析 16

2。5 小结 17

3 卷积神经网络基本原理及算法 18

3。1 CNN 基本原理概述 18

3。2 CNN 算法方案设计 22

3。3 CNN 算法模型验证 23

3。4 实验结果与分析 24

3。5 小结 26

4 SSAE 和 CNN 性能比较与分析 27

4。1 概述 27

4。2 实验方法 31

4。3 实验结果与分析 35

4。4 资源消耗分析 40

4。5 小结 41

5 总结与展望 43

致谢 45

参考文献 46

第 II  页 本科毕业设计说明书

图 1。1 机器学习的一般思路 1

图 1。2 SAIP 系统流程图 3

图 2。1 自编码神经网络示例 6

图 2。2 SAE—无监督学习算法示意图 7

图 2。3 BP 算法流程图 9

图 2。4 三层 SSAE 结构框图示例 11

图 2。5 SSAE 流程图 12

图 2。6 MNIST 数据库样本示例 13

图 2。7 两层栈式稀疏自编码网络 14

图 2。8 两层 SSAE 流程图 15

图 2。9 两层 SSAE 目标特征图 16

图 3。1 卷积神经网络示例 18

图 3。2 卷积过程示意图 20

图 3。3 卷积和池化过程 22

图 3。4 前向阶段流程图 22

图 3。5 6c-2s-12c-2s CNN 结构框图 23

图 3。6 手写数字原始图像 24

图 3。7 C1 和 S2 特征图 25

图 3。8 C3 和 S4 特征图 25

图 4。1 三种军事目标的 SAR 图像(左)和对应的光学图像(右) 28

图 4。2 三折交叉验证法示意图 30

图 4。3 2D-CA-CFAR 处理结构框图 32

图 4。4 BMP2 类目标原始图像和 2D-CA-CFAR 处理后图像对比图 33

图 4。5 Softmax 输出特征 基于深度学习理论的高分辨率SAR图像人造目标特征分析(2):http://www.youerw.com/tongxin/lunwen_85171.html

------分隔线----------------------------
推荐内容