论文部分内容阅读
合成孔径雷达(SAR)是一种主动式相干成像雷达,它具有高分辨率、全天时、全天候、穿透力强等特点。SAR在军事领域最主要的应用是实现对特定军事目标的检测和识别,因此如何实现SAR图像目标识别具有重要的理论和实践意义。近年来,以深度学习理论为代表的新型人工智能算法已经在目标识别和分类方面得到了成功应用,引起国内外的广泛关注。因此,本文基于卷积神经网络(CNNs)设计了SAR图像目标识别算法,并对其性能进行了探索研究,主要内容概述如下: (1)介绍并总结了SAR图像目标识别研究的常见算法及其优缺点,并对基于深度学习的SAR图像目标识别的关键技术及面临的挑战进行了阐述与分析。 (2)针对SAR图像目标识别中的特征提取与分类器设计耗时费力的问题,本文引入卷积神经网络并对其进行了详细研究,总结了CNNs网络性能改进的关键,并同时基于CNNs网络成功构建了一种可直接从输入图像到输出类别的一体化SAR图像目标识别的算法模型,该算法模型在引入L2正则化技术和Dropout机制两大抑制过拟合措施的基础上,改进了网络的全连接层结构,设计了基于批量标准化操作、线性修正单元(ReLU)函数和 AdaDelta 梯度下降优化算法的SAR图像目标识别算法。基于SOC和EOC采集条件下的MSTAR数据集的实验结果验证了该算法模型主动且有效的学习能力。 (3)针对实际应用中SAR图像的平移敏感性、姿态敏感性以及强度敏感性引申出来的相干斑噪声和遮挡敏感性,设计了一种基于多样本扩充CNNs的SAR图像目标识别算法。接着讨论了原设计算法对样本量的敏感程度,研究基于多样本扩充CNNs的SAR图像目标识别算法在解决小样本问题上的适应能力。实验结果表明:该算法不仅具有较强的学习特征的能力,还具有较强的对目标平移、旋转、相干斑噪声和遮挡问题的鲁棒性,并且在小样本条件下也有一定的泛化能力。