近年來,卷積神經(jīng)網(wǎng)絡(CNN)已廣泛應用于合成孔徑雷達(SAR)目標識別。由于SAR目標的訓練數(shù)據(jù)集通常較小,基于CNN的SAR圖像目標識別容易產(chǎn)生過擬合問題。生成對抗網(wǎng)絡(GAN)是一種無監(jiān)督訓練網(wǎng)絡,通過生成器和鑒別器兩者之間的博弈,使生成的圖像難以被鑒別器鑒別出真假。本文提出一種基于改進的卷積神經(jīng)網(wǎng)絡(ICNN)和改進的生成對抗網(wǎng)絡(IGAN)的SAR目標識別方法,即先用訓練樣本對IGAN進行無監(jiān)督預訓練,再用訓練好的IGAN鑒別器參數(shù)初始化ICNN,然后用訓練樣本對ICNN微調,最后用訓練好的ICNN對測試樣本進行分類。MSTAR實驗結果表明,提出的方法不僅能夠在訓練樣本數(shù)降至原樣本數(shù)30%的情況下獲得高達96.37%的識別率,而且該方法比直接采用ICNN的方法具有更強的抗噪聲能力。 

【文章來源】：雷達科學與技術. 2020年03期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

基于ICNN和IGAN的SAR目標識別方法

ICNN的結構和參數(shù)

IGAN的鑒別器D和ICNN的隱藏層結構參數(shù)相同，生成器G包括6個反卷積層和2個全連接層，前5個反卷積層后采用ReLU激活函數(shù)，最后1個反卷積層后采用tanh激活函數(shù)，如圖3所示。為了減輕反卷積層帶來的棋盤偽影，所有卷積核的大小均為4×4。G的前向傳播過程和各層參數(shù)如下：1）隨機產(chǎn)生1×100的噪聲，經(jīng)過2個全連接層后，輸出為1×8 192的矢量；

【參考文獻】：
期刊論文
[1]基于FCNN和ICAE的SAR圖像目標識別方法[J]. 喻玲娟,王亞東,謝曉春,林赟,洪文.  雷達學報. 2018(05)



本文編號：2939385