本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的SAR目標(biāo)識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來神經(jīng)網(wǎng)絡(luò)集成已被廣泛應(yīng)用于圖像處理領(lǐng)域且效果顯著,特別是從大規(guī)模SAR數(shù)據(jù)中快速提取有用信息具有很好的表現(xiàn)。在神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)和SAR圖像處理相結(jié)合的基礎(chǔ)上,本文研究了基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的SAR目標(biāo)識別方法。主要研究內(nèi)容及創(chuàng)新如下:首先,針對原始圖像域進(jìn)行特征提取存在特征維數(shù)較高、計算復(fù)雜和類別表征能力弱等缺陷,對其進(jìn)行特征壓縮和特征選擇兩大改進(jìn)。在特征壓縮的改進(jìn)中:在SAR圖像預(yù)處理階段和特征提取階段之間引入小波變換,提取目標(biāo)類別信息表征能力強(qiáng)的低頻成分,將SAR圖像中的確定性的目標(biāo)信息與隨機(jī)的背景雜波、噪聲等信息有效分離;然后采用Bi-2DPCA對低頻子圖像進(jìn)行特征提取,消除行和列之間的冗余信息,得到具有很好類內(nèi)凝聚性和類間差異性的低維目標(biāo)特征。在特征選擇的改進(jìn)中:利用K-近鄰法實現(xiàn)對訓(xùn)練樣本的自適應(yīng)特征選擇和分類器的自適應(yīng)訓(xùn)練。特征提取流程經(jīng)過兩大改進(jìn)后,提取的最優(yōu)目標(biāo)特征不僅具有超低維性,還能獲得較優(yōu)的識別性能,對推廣神經(jīng)網(wǎng)絡(luò)應(yīng)用于SAR目標(biāo)智能化識別具有重要意義。其次,通過實驗仿真對比BP、PNN常用個體神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)識別性能,選擇實時性、穩(wěn)定性更強(qiáng)的PNN作為后續(xù)集成的個體網(wǎng)絡(luò)。為了解決原始PNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜及訓(xùn)練算法非自適應(yīng)等問題,提出了基于近鄰子空間的自適應(yīng)訓(xùn)練算法。仿真實驗發(fā)現(xiàn)改進(jìn)的自適應(yīng)PNN識別效率、識別正確率更優(yōu)。最后,為了克服自適應(yīng)PNN泛化能力弱、識別結(jié)果不穩(wěn)定的缺點,結(jié)合集成學(xué)習(xí)的思想,提出了基于Bagging算法集成PNN的自適應(yīng)識別方法,經(jīng)仿真實驗驗證Bagging-PNN可有效改善識別效率、識別正確率、泛化能力和識別結(jié)果穩(wěn)定性�；贛STAR SAR實驗樣本集進(jìn)行了全面仿真實驗,證明了本文算法應(yīng)用于SAR目標(biāo)識別是有效和實用的。
【關(guān)鍵詞】：合成孔徑雷達(dá) 目標(biāo)識別 概率神經(jīng)網(wǎng)絡(luò) 集成學(xué)習(xí) 兩向二維主分量分析
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52;TP183

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的SAR目標(biāo)識別方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：412402