本文關(guān)鍵詞： 合成孔徑雷達(dá) 目標(biāo)識(shí)別 卷積神經(jīng)網(wǎng) 反饋學(xué)習(xí)　出處：《計(jì)算機(jī)應(yīng)用研究》2017年05期 　論文類型：期刊論文

【摘要】：針對(duì)合成孔徑雷達(dá)(SAR)圖像目標(biāo)識(shí)別問(wèn)題,在卷積神經(jīng)網(wǎng)的基礎(chǔ)上,提出了一種新的識(shí)別框架。該框架通過(guò)連接多個(gè)基本操作單元并以層次結(jié)構(gòu)構(gòu)造一個(gè)集特征提取和分類器訓(xùn)練于一體的端到端網(wǎng)絡(luò),同時(shí)利用深度網(wǎng)絡(luò)的反向傳播完成分類器對(duì)特征提取的反饋以改進(jìn)特征的效果。在MSTAR公開(kāi)數(shù)據(jù)集上,該網(wǎng)絡(luò)框架分類十類目標(biāo)達(dá)到了98.61%的精度,與其他方法相比,有效提高了SAR圖像目標(biāo)的識(shí)別精度。所提框架能有效分類SAR圖像目標(biāo),具有良好的識(shí)別精度,且具備模塊化結(jié)構(gòu),無(wú)須復(fù)雜預(yù)處理,實(shí)現(xiàn)簡(jiǎn)單。
[Abstract]:In order to solve the problem of target recognition in synthetic Aperture Radar (SAR) images, a convolutional neural network is proposed. In this paper, a new recognition framework is proposed, which connects several basic operation units and constructs an end-to-end network with feature extraction and classifier training. At the same time, the back propagation of the depth network is used to complete the feedback of the classifier to the feature extraction to improve the performance of the feature. On the MSTAR open data set. Compared with other methods, this network framework can effectively improve the accuracy of SAR image target recognition, and the proposed framework can effectively classify SAR image targets. It has good recognition accuracy, modular structure and simple realization without complicated preprocessing.
【作者單位】： 解放軍理工大學(xué)指揮信息系統(tǒng)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61402519) 江蘇省自然科學(xué)基金資助項(xiàng)目(BK20140071)
【分類號(hào)】：TN957.52;TP183
【正文快照】： 作來(lái)盡可能有效刻畫(huà)SAR圖像目標(biāo),但是這仍然無(wú)法保證目標(biāo)0引言在所提取的特征空間中具有很好的可分性;同時(shí),諸如AdaB oost當(dāng)前,由于合成孔徑雷達(dá)(synthetic aperture radar,SAR)獲選擇Haar特征的方式雖然一定程度上克服了人工設(shè)計(jì)特征的取偵查圖像數(shù)據(jù)越來(lái)越多,導(dǎo)致人工解譯的

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 唐超,胡光銳;利用神經(jīng)網(wǎng)方法進(jìn)行地震信號(hào)處理的反褶積新方法[J];信號(hào)處理;1994年04期

2 劉茂;;一種基于模糊神經(jīng)網(wǎng)的超短波信號(hào)自動(dòng)識(shí)別算法[J];成都信息工程學(xué)院學(xué)報(bào);2007年05期

3 ;[J];;年期

，

本文編號(hào)：1467628