【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種不受環(huán)境,如光照,氣候等因素影響的高分辨率雷達,被廣泛的應用于軍事領域和民用領域之中。在SAR的眾多應用之中,SAR圖像目標自動識別(Automatic Target Recognition,ATR)技術具有非常重要的軍事價值,該技術可以有效的解譯出目標中的有效信息,提高軍隊的作戰(zhàn)能力及情報分析與獲取能力。SAR圖像目標鑒別是SAR圖像目標自動識別技術的重要組成部分,而SAR圖像特征提取又作為SAR目標鑒別的關鍵步驟,其特征提取的好壞與否將直接影響SAR目標鑒別與識別結果的優(yōu)劣。非線性變換方法可以挖掘出數(shù)據(jù)的潛在信息,實現(xiàn)高維數(shù)據(jù)的維數(shù)壓縮,是SAR圖像目標特征提取的重要分支。深度學習模型中包含強大的非線性映射關系,可以有效且自動地學習高維數(shù)據(jù)中的特征表達,已成為近些年的研究熱點。隨著SAR成像技術的迅猛發(fā)展,越來越多的高分辨率SAR圖像得以被獲取,SAR圖像中包含的信息也越來越復雜化,因此,在這個高速信息化、智能化的時代中,將深度學習引入SAR ATR領域是必須且急迫的。本文結合深度學習理論,圍繞基于自編碼器的SAR目標鑒別算法進行了深入的研究。本論文各部分工作內(nèi)容概括如下:1.介紹SAR圖像目標鑒別的研究背景、意義、發(fā)展現(xiàn)狀及論文的具體安排。2.研究了一種基于稀疏自編碼器的SAR圖像目標鑒別方法。SAR特征提取環(huán)節(jié)一般是對基于專家知識設計的鑒別特征進行人工提取,這個過程費時費力,且提取出的特征會丟失原始數(shù)據(jù)中的部分信息,而自編碼器及稀疏自編碼器能自動學習數(shù)據(jù)特征且減少人為干涉。本算法利用稀疏自編碼器對SAR圖像進行學習,采用無監(jiān)督學習法自動的從SAR圖像數(shù)據(jù)中學習特征,使用Softmax分類器對得到的特征進行分類,驗證了經(jīng)稀疏自編碼器提取出的特征應用于SAR目標鑒別的可行性與有效性。3.針對分類任務,研究了一種與自編碼器具有相同結構的類編碼器。類編碼器的主要思想是通過最小化類內(nèi)數(shù)據(jù)的重構差異,從而減少學到的類內(nèi)特征差異,達到有針對性的對SAR圖像特征進行學習的目的,學到SAR圖像的可鑒別性特征。隨后將類編碼器作為Softmax分類器的約束研究了類編碼器分類器,類編碼器分類器在一個網(wǎng)絡模型中同時進行重構任務與分類任務,進而使模型在特征學習的過程中令其學習結果利于分類。4.本部分首先對基于棧式稀疏自編碼器的SAR目標鑒別算法進行研究,然后在此基礎上,引入可以描述類內(nèi)特征與類間特征關系的Fisher準則,并結合深層網(wǎng)絡的特征學習能力,利用Fisher準則對棧式稀疏自編碼器的微調(diào)過程進行約束,研究基于Fisher準則約束下的棧式稀疏自編碼器的SAR圖像目標鑒別算法。通過將Fisher準則作為SSAE微調(diào)過程中深層特征的約束,可以使學到的特征類內(nèi)差異小,類間差異大,從而使學到的深層特征更利于SAR目標鑒別。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN957.52
【圖文】：

(c) 自然雜波切片樣本(d) 人造雜波切片樣本圖1.3 四幅 miniSAR 數(shù)據(jù)集中部分切片樣本示例圖四幅 miniSAR 圖像中訓練切片數(shù)量及測試切片數(shù)量見表 1.1 所示：表1.1 四幅 miniSAR 圖像訓練切片數(shù)量及測試切片數(shù)量數(shù)量圖像訓練樣本總數(shù)測試樣本個數(shù)測試切片總數(shù) 目標切片個數(shù) 雜波切片個數(shù)miniSAR圖像1 24550 739 140 599miniSAR圖像2 21857 420 115 305miniSAR圖像3 22141 589 79 510miniSAR圖像4 14115 786 159 627觀察圖 1.2 中的四幅 miniSAR 圖像，都含有車輛目標，且四種場景下多目標區(qū)域均明顯多于單目標區(qū)域。四幅圖像都具有各自的特點，miniSAR 圖像 1 和 miniSAR圖像 2 中自然雜波多于人造雜波，從這兩幅圖像中提取出的切片集中，自然雜波切片將多于人造雜波切片，miniSAR 圖像 3 中人造雜波明顯多于自然雜波，那么從這幅圖像中提取出的切片集中，人造雜波切片將多于自然雜波切片，而 miniSAR 圖像 4 中只有人造雜波，因此，四幅 miniSAR 圖像中所獲取的切片是具有多樣性的

【參考文獻】

相關期刊論文 前6條

1 孫艷豐;齊光磊;胡永利;趙璐;;基于改進Fisher準則的深度卷積神經(jīng)網(wǎng)絡識別算法[J];北京工業(yè)大學學報;2015年06期

2 張小強;熊博蒞;匡綱要;;一種基于變化檢測技術的SAR圖像艦船目標鑒別方法[J];電子與信息學報;2015年01期

3 王世f^;賀志國;;基于PCA特征的快速SAR圖像目標識別方法[J];國防科技大學學報;2008年03期

4 許建華,張學工,李衍達;最小平方誤差算法的正則化核形式[J];自動化學報;2004年01期

5 匡綱要,計科峰,粟毅,郁文賢;SAR圖象自動目標識別研究[J];中國圖象圖形學報;2003年10期

6 吳佑壽,趙明生;激活函數(shù)可調(diào)的神經(jīng)元模型及其有監(jiān)督學習與應用[J];中國科學E輯:技術科學;2001年03期

相關博士學位論文 前3條

1 胡利平;合成孔徑雷達圖像目標識別技術研究[D];西安電子科技大學;2009年

2 高貴;SAR圖像目標ROI自動獲取技術研究[D];國防科學技術大學;2007年

3 邢孟道;基于實測數(shù)據(jù)的雷達成像方法研究[D];西安電子科技大學;2002年

相關碩士學位論文 前4條

1 王飛飛;基于改進卷積神經(jīng)網(wǎng)絡算法的研究與應用[D];南京郵電大學;2016年

2 敖道敢;無監(jiān)督特征學習結合神經(jīng)網(wǎng)絡應用于圖像識別[D];華南理工大學;2014年

3 王雅思;深度學習中的自編碼器的表達能力研究[D];哈爾濱工業(yè)大學;2014年

4 鄒艷;高維數(shù)據(jù)降維方法的研究[D];西南交通大學;2012年

本文編號：2731074