合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）由于其獨(dú)有的特點(diǎn),利用回波的信號(hào)進(jìn)行采集圖像,使其能夠不受外界條件的干擾進(jìn)行一定穿透性的探測(cè),因此,在實(shí)際應(yīng)用中具有很大的使用價(jià)值。然而由于其圖像解譯成本較高,使得SAR自動(dòng)目標(biāo)識(shí)別研究具有很大的價(jià)值。隨著研究的深入,目前在傳統(tǒng)方法上的研究已經(jīng)使SAR目標(biāo)識(shí)別遇到了瓶頸。近年來(lái)深度學(xué)習(xí)在各個(gè)領(lǐng)域的應(yīng)用,也使得在SAR目標(biāo)識(shí)別領(lǐng)域取得了更好的結(jié)果。然而由于數(shù)據(jù)量的限制,在小樣本的條件下,基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別遇到了新的挑戰(zhàn)。為了能夠增強(qiáng)目標(biāo)識(shí)別的方法,我們從特征增強(qiáng)以及集成學(xué)習(xí)策略兩方面來(lái)解決有限樣本的問(wèn)題,進(jìn)一步研究了基于深度學(xué)習(xí)和決策樹的SAR圖像目標(biāo)識(shí)別方法。本文的主要內(nèi)容如下:首先,在深入分析了傳統(tǒng)SAR圖像目標(biāo)識(shí)別的方法以及存在的不足后,將深度學(xué)習(xí)的方法應(yīng)用到SAR圖像目標(biāo)識(shí)別中。進(jìn)而分析了在有限樣本條件下,深度學(xué)習(xí)方案的不足。然后,在小樣本的限制條件下,為了更好的增強(qiáng)特征提取方法,將多層級(jí)聯(lián)網(wǎng)絡(luò)的方法引入SAR目標(biāo)識(shí)別中。通常情況下,高層次的特征比中低層次的特征更全面、更具區(qū)分性,通常被用來(lái)進(jìn)行類別... 

【文章來(lái)源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１卷積計(jì)算示意圖??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??

?第二章ＳＡＲ自動(dòng)目標(biāo)識(shí)別基礎(chǔ)理論???ｊ１．．．．．．．．ｂｐｎ?Ｉ?ｗ?Ｉ?ｘ??—ｃ?ｆ?ｇ?ｈ???ａｂｅｄ?ｙ?ｚ??ａｗ＋ｂｘ－ｉ－？ｙ＋?ｂｗ＋ｃｘ＋ｌｙ＋?ｃｗ＋ｄｘ＋ｇｙ＋????１Ｌ＿???ｅｗ＋ｆｋ＋ｌｙ＋ｊ?ｆｗ＋ｇｘ＋ｊｙ＋ｌ＜?ｇｗ＋ｈｘ＋ｋｙ＋??ｚ?ｚ?ｉｚ??圖２－１卷積計(jì)算示意圖??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的祌經(jīng)網(wǎng)絡(luò)相比，使用卷積運(yùn)算替代全連接的乘法，可以實(shí)??現(xiàn)稀疏交互、參數(shù)共享、平移不變性等優(yōu)點(diǎn)［５０］。??傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)使用全連接層的方式進(jìn)行網(wǎng)絡(luò)互連，這種運(yùn)算方式會(huì)使層與層之??間的節(jié)點(diǎn)都產(chǎn)生關(guān)聯(lián)。通過(guò)矩陣運(yùn)行，使得每個(gè)節(jié)點(diǎn)都是必不可少的。這樣會(huì)造成網(wǎng)??絡(luò)中參數(shù)的冗余，并且增大了運(yùn)算量。卷積神經(jīng)網(wǎng)絡(luò)中的卷積核運(yùn)算時(shí)，通過(guò)核矩陣??使得層間的變量交互只集中在卷積核上，這樣不僅減少了參數(shù)量，而且使得層與層之??間的連接只有卷積核這幾個(gè)變量，就大大的縮減了參數(shù)量？。卷積神經(jīng)網(wǎng)絡(luò)縮減了參??數(shù)量及運(yùn)算量，從而降低了模型的存儲(chǔ)以及計(jì)算復(fù)雜度。??卷積神經(jīng)網(wǎng)絡(luò)由于使用卷積核進(jìn)行運(yùn)算，在同一層中的卷積核使用的是相同的參??數(shù)，并且使用的是相同的卷積核遍歷圖像的不同位置。這樣在參與圖像的運(yùn)算時(shí)，使??用的參數(shù)量是固定的，與圖像的大小無(wú)關(guān)。然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)由于使用的是全連接??的方式進(jìn)行運(yùn)算，這樣在運(yùn)算時(shí)需要與每個(gè)上層的節(jié)點(diǎn)進(jìn)行計(jì)算，并且沒(méi)個(gè)參數(shù)都是??獨(dú)立，不同的位置使用的是不同的參數(shù)％。???＞??圖２－２卷積的參數(shù)共享示意圖??Ｆｉｇｕｒ

慢，因此深度學(xué)習(xí)的訓(xùn)練基本都是在ＧＰＵ上進(jìn)行。早期的設(shè)備受限，因此為了在??有限的資源中訓(xùn)練，使用分組卷積來(lái)替換原本的卷積。分組卷積重要的特點(diǎn)就是分組，??即把輸入的特征圖像進(jìn)行分開重組，然后再分別進(jìn)行卷積，最后再經(jīng)過(guò)全連接層拼接??起來(lái)。??Ｉｎｐｕｔ?Ｏｕｔｐｕｔ?Ｉｎｐｕｔ?Ｏｕｔｐｕｔ??Ｆ？ａｔｕｒ？ｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ??每?｜?ｄ??Ｉ?：：?Ｖ￣＾?ｆ?｜；ｒ＾＾ｐｒ?！??ｆ?４?ｚ—？７?ｉ??�。蓿剑冢�??圖２－３分組卷積示意圖??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｇｒｏｕｐｅｄ?ｃｏｎｖｏｌｕｔｉｏｎ??分組卷積在ＡｌｅｘＮｅｔ?２０１２年Ｉｍａｇｅｎｅｔ的冠軍方法中被提出，其訓(xùn)練可以同時(shí)??在２塊ＧＰＵ上并行進(jìn)行，因此訓(xùn)練較快。從參數(shù)量的計(jì)算方法來(lái)統(tǒng)計(jì)，同時(shí)可以縮??減參數(shù)量。假如輸入特征圖的尺寸為Ｃ＊Ｈ＊Ｗ，卷積核尺寸為Ｃ＊Ｋ＊Ｋ，同時(shí)卷積核??為Ｎ個(gè)，這樣卷積核的總參數(shù)量為Ｎ＊Ｃ＊Ｋ＊Ｋ個(gè)。這樣計(jì)算參數(shù)量的方法為大約統(tǒng)??計(jì)，并沒(méi)有考慮相關(guān)的卷積步長(zhǎng)與ｐａｄｄｉｎｇ長(zhǎng)度。如果使用的是分組卷積方式，首先??１４??

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的雷達(dá)圖像目標(biāo)識(shí)別研究進(jìn)展[J]. 潘宗序,安全智,張冰塵.  中國(guó)科學(xué):信息科學(xué). 2019(12)
[2]穩(wěn)健高效通用SAR圖像稀疏特征增強(qiáng)算法[J]. 楊磊,李埔丞,李慧娟,方澄.  電子與信息學(xué)報(bào). 2019(12)
[3]基于SAR目標(biāo)識(shí)別的深度學(xué)習(xí)方法[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2019(10)
[4]基于深度學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別算法[J]. 崔福彬,張茜,雷俞承志,尹偉石.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[5]基于改進(jìn)粗糙集理論的SAR圖像目標(biāo)增強(qiáng)[J]. 朱鳴,楊百龍,何岷,陳錚錚,張雄美.  計(jì)算機(jī)工程與應(yīng)用. 2019(16)
[6]基于非下采樣Shearlet變換與模糊對(duì)比度的合成孔徑雷達(dá)圖像增強(qiáng)[J]. 郭慶榮,賈振紅,楊杰,Nikola KASABOV.  計(jì)算機(jī)應(yīng)用. 2018(09)
[7]基于數(shù)值散射模擬與模型匹配的SAR自動(dòng)目標(biāo)識(shí)別研究[J]. 周雨,王海鵬,陳思喆.  雷達(dá)學(xué)報(bào). 2015(06)
[8]基于Gabor濾波器和局部紋理特征提取的SAR目標(biāo)識(shí)別算法[J]. 王璐,張帆,李偉,謝曉明,胡偉.  雷達(dá)學(xué)報(bào). 2015(06)
[9]基于多信息字典學(xué)習(xí)及稀疏表示的SAR目標(biāo)識(shí)別[J]. 齊會(huì)嬌,王英華,丁軍,劉宏偉.  系統(tǒng)工程與電子技術(shù). 2015(06)
[10]地面車輛目標(biāo)識(shí)別研究綜述[J]. 李開明,張群,羅迎,梁必帥,楊小優(yōu).  電子學(xué)報(bào). 2014(03)

博士論文
[1]SAR圖像質(zhì)量評(píng)估及其目標(biāo)識(shí)別應(yīng)用[D]. 張倩.中國(guó)科學(xué)技術(shù)大學(xué) 2011
[2]合成孔徑雷達(dá)圖像目標(biāo)識(shí)別技術(shù)研究[D]. 胡利平.西安電子科技大學(xué) 2009
[3]極化雷達(dá)成像及目標(biāo)特征提取研究[D]. 代大海.國(guó)防科學(xué)技術(shù)大學(xué) 2008
[4]合成孔徑雷達(dá)回波信號(hào)模擬研究[D]. 岳海霞.中國(guó)科學(xué)院研究生院（電子學(xué)研究所） 2005
[5]合成孔徑雷達(dá)圖像分類與目標(biāo)檢測(cè)技術(shù)研究[D]. 付信際.中國(guó)科學(xué)院研究生院（電子學(xué)研究所） 2005
[6]高分辨率SAR圖像自動(dòng)目標(biāo)識(shí)別方法研究[D]. 張翠.國(guó)防科學(xué)技術(shù)大學(xué) 2003
[7]合成孔徑雷達(dá)動(dòng)目標(biāo)檢測(cè)和成像研究[D]. 鄭明潔.中國(guó)科學(xué)院研究生院（電子學(xué)研究所） 2003
[8]SAR圖像目標(biāo)特征提取與分類方法研究[D]. 計(jì)科峰.中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué) 2003
[9]干涉合成孔徑雷達(dá)成像技術(shù)研究[D]. 穆冬.南京航空航天大學(xué) 2001

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的SAR圖像目標(biāo)分類方法研究[D]. 何浩男.西安電子科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別與PolSAR分類[D]. 王家明.西安電子科技大學(xué) 2019
[3]SAR圖像相干斑抑制和圖像增強(qiáng)方法研究[D]. 童丹平.電子科技大學(xué) 2019
[4]基于深度特征學(xué)習(xí)的極化SAR分類[D]. 王欣.西安電子科技大學(xué) 2018
[5]基于深度學(xué)習(xí)的SAR自動(dòng)目標(biāo)識(shí)別方法研究[D]. 陳永生.江西理工大學(xué) 2018
[6]基于深度學(xué)習(xí)的SAR艦船目標(biāo)識(shí)別方法研究[D]. 叢龍劍.中國(guó)航天科技集團(tuán)公司第一研究院 2018
[7]基于深度學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別[D]. 李文輝.電子科技大學(xué) 2018
[8]基于深度學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別分類研究[D]. 蔣鑫.電子科技大學(xué) 2018
[9]基于變換域稀疏系數(shù)估計(jì)的SAR圖像降噪[D]. 吳國(guó)慶.重慶大學(xué) 2016
[10]基于稀疏表示的SAR圖像降噪算法研究[D]. 吳奇政.重慶大學(xué) 2015



本文編號(hào)：3338322