合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）作為微波成像雷達(dá)的一種,在經(jīng)濟(jì)和軍事等領(lǐng)域被廣泛應(yīng)用,是因?yàn)樗拈L(zhǎng)處是全天時(shí)、全天候等。當(dāng)涉及戰(zhàn)場(chǎng)偵察和精確打擊等相關(guān)領(lǐng)域時(shí),SAR圖像目標(biāo)識(shí)別技術(shù)也相應(yīng)地被人們使用,針對(duì)各種實(shí)際場(chǎng)景下的SAR圖像目標(biāo)分類需要也應(yīng)運(yùn)而生。通常目標(biāo)分類算法從數(shù)據(jù)集的特征出發(fā),分析不同目標(biāo)存在的特點(diǎn),并手動(dòng)建立對(duì)應(yīng)的特征提取框架,專業(yè)知識(shí)依賴嚴(yán)重,在實(shí)際應(yīng)用中難以實(shí)施。因此,深度學(xué)習(xí)方法開(kāi)始與SAR圖像結(jié)合進(jìn)行分類工作。SAR圖像常常和軍事機(jī)密等領(lǐng)域密切相關(guān),并且SAR成像成本偏高,這些多方面的原因造成現(xiàn)存僅有的帶標(biāo)簽的SAR圖像數(shù)據(jù)集規(guī)模比較小,故不能將卷積神經(jīng)網(wǎng)絡(luò)直接運(yùn)用到SAR圖像領(lǐng)域。本文主要內(nèi)容如下:（1）提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型遷移的SAR圖像分類方法。針對(duì)SAR圖像數(shù)據(jù)樣本量小的現(xiàn)象,首先運(yùn)用大量普通光學(xué)圖像數(shù)據(jù)集在深度神經(jīng)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練,得到預(yù)訓(xùn)練模型;其次將預(yù)訓(xùn)練模型遷移至SAR圖像數(shù)據(jù)集,最后用小量樣本的SAR圖像對(duì)重要網(wǎng)絡(luò)參數(shù)進(jìn)行局部強(qiáng)化訓(xùn)練。（2）提出一種SAR圖像樣本增容的方法。先是采取對(duì)數(shù)變換對(duì)數(shù)據(jù)集進(jìn)... 

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 SAR圖像分類的研究現(xiàn)狀
    1.3 本文主要內(nèi)容及安排
第2章 相關(guān)知識(shí)介紹
    2.1 引言
    2.2 SAR圖像成像
        2.2.1 SAR圖像成像模型
        2.2.2 SAR圖像的相干斑原理
    2.3 數(shù)據(jù)集
    2.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.1 輸入層
        2.4.2 隱含層
        2.4.3 全連接層
        2.4.4 輸出層
    2.5 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
        2.5.1 參數(shù)共享
        2.5.2 連接稀疏性
    2.6 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練
        2.6.1 損失函數(shù)
        2.6.2 激勵(lì)函數(shù)
    2.7 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    2.8 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)模型遷移的圖像分類方法
    3.1 引言
    3.2 數(shù)據(jù)處理
        3.2.1 數(shù)據(jù)集
        3.2.2 數(shù)據(jù)裁剪
        3.2.3 數(shù)據(jù)增廣
    3.3 卷積神經(jīng)網(wǎng)絡(luò)模型
    3.4 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)
        3.4.1 遷移學(xué)習(xí)的定義
        3.4.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    3.5 實(shí)驗(yàn)及結(jié)果
    3.6 本章小結(jié)
第4章 基于多模式樣本增容的卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法
    4.1 引言
    4.2 數(shù)據(jù)處理
        4.2.1 對(duì)數(shù)變換
        4.2.2 濾波變換
        4.2.3 數(shù)據(jù)增容
    4.3 SAR圖像識(shí)別模型
    4.4 實(shí)驗(yàn)及結(jié)果分析
    4.5 本章小結(jié)
第5章 基于特征融合的SAR圖像分類方法
    5.1 引言
    5.2 數(shù)據(jù)預(yù)處理
    5.3 SAR圖像多特征的提取
        5.3.1 去噪特征
        5.3.2 邊緣特征提取
    5.4 識(shí)別分類模型
        5.4.1 特征融合
        5.4.2 分類模型
    5.5 實(shí)驗(yàn)結(jié)果及分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
附錄 作者在讀期間發(fā)表的科研成果及參加的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)手寫(xiě)數(shù)字識(shí)別[J]. 高磊,洪奔奔,姚青岐.  軟件. 2018(09)
[2]面向SAR目標(biāo)識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)[J]. 谷雨,徐英.  中國(guó)圖象圖形學(xué)報(bào). 2018(06)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在遷移學(xué)習(xí)模式下的SAR目標(biāo)識(shí)別[J]. 李松,魏中浩,張冰塵,洪文.  中國(guó)科學(xué)院大學(xué)學(xué)報(bào). 2018(01)
[4]基于多特征-多表示融合的SAR圖像目標(biāo)識(shí)別[J]. 張新征,譚志穎,王亦堅(jiān).  雷達(dá)學(xué)報(bào). 2017(05)
[5]基于峰值匹配的SAR圖像飛機(jī)目標(biāo)識(shí)別方法[J]. 潘嘉蒙,牛照東,陳曾平.  現(xiàn)代電子技術(shù). 2015(19)
[6]一種聯(lián)合陰影和目標(biāo)區(qū)域圖像的SAR目標(biāo)識(shí)別方法[J]. 丁軍,劉宏偉,王英華,王正玨,齊會(huì)嬌,時(shí)荔蕙.  電子與信息學(xué)報(bào). 2015(03)
[7]基于PCA特征的快速SAR圖像目標(biāo)識(shí)別方法[J]. 王世晞,賀志國(guó).  國(guó)防科技大學(xué)學(xué)報(bào). 2008(03)
[8]用Prewitt算子細(xì)化邊緣[J]. 劉明艷,趙景秀,孫寧.  光電子技術(shù). 2006(04)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的SAR目標(biāo)識(shí)別方法研究[D]. 申威.電子科技大學(xué) 2019



本文編號(hào)：3685772