合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種能夠全天時、全天候和遠距離對目標(biāo)進行主動觀測的系統(tǒng),已廣泛應(yīng)用于軍事和民用領(lǐng)域。SAR自動目標(biāo)識別(SAR Automatic Target Recognition,SAR-ATR)是SAR領(lǐng)域的研究熱點之一,它能夠自動、快速、準(zhǔn)確地識別目標(biāo)。近年來,深度學(xué)習(xí)理論已廣泛應(yīng)用于SAR-ATR,并取得了顯著的成績。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一種典型的深度學(xué)習(xí)網(wǎng)絡(luò),它能通過提取目標(biāo)不同層次特征,獲得較高的目標(biāo)識別率。然而,基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)分類需要大量的訓(xùn)練樣本,否則容易出現(xiàn)過擬合問題。此外,CNN也無法解決因目標(biāo)姿態(tài)發(fā)生變化(如平移、旋轉(zhuǎn)、縮放等)而帶來的錯誤分類問題。為了解決以這些問題,本文分別結(jié)合生成對抗網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)的優(yōu)勢,提出了兩種SAR目標(biāo)分類方法,具體內(nèi)容如下:1)提出了一種基于改進的卷積神經(jīng)網(wǎng)絡(luò)(Improved Convolutional Neural Network,ICNN)和改進的生成對抗網(wǎng)絡(luò)(Improved Generat...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景及意義
    1.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 SAR目標(biāo)分類研究現(xiàn)狀
    1.4 論文主要工作及結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)理論
    2.1 深度學(xué)習(xí)理論概述
    2.2 神經(jīng)網(wǎng)絡(luò)
        2.2.1 信息前向傳播
        2.2.2 誤差反向傳播
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 激活函數(shù)
        2.3.4 全連接層和輸出層
    2.4 生成對抗網(wǎng)絡(luò)
    2.5 膠囊網(wǎng)絡(luò)
    2.6 本章小結(jié)
第三章 基于ICNN和IGAN的SAR目標(biāo)分類方法
    3.1 基于ICNN和IGAN的SAR目標(biāo)分類方法模型
        3.1.1 ICNN
        3.1.2 IGAN
    3.2 ICNN和IGAN的結(jié)構(gòu)參數(shù)
        3.2.1 ICNN結(jié)構(gòu)參數(shù)
        3.2.2 IGAN結(jié)構(gòu)參數(shù)
    3.3 實驗結(jié)果
    3.4 本章小結(jié)
第四章 基于改進的膠囊網(wǎng)絡(luò)的SAR目標(biāo)分類方法
    4.1 改進的膠囊網(wǎng)絡(luò)模型
        4.1.1 注意力模塊
        4.1.2 改進的膠囊網(wǎng)絡(luò)參數(shù)
    4.2 實驗結(jié)果及分析
        4.2.1 采用全部的數(shù)據(jù)集
        4.2.2 減少訓(xùn)練樣本數(shù)
        4.2.3 對測試樣本進行姿態(tài)變換
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 工作展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果



本文編號：4000468