隨著現(xiàn)代戰(zhàn)爭(zhēng)的復(fù)雜程度日漸提升,在陸戰(zhàn)場(chǎng)中對(duì)戰(zhàn)爭(zhēng)實(shí)時(shí)態(tài)勢(shì)的預(yù)測(cè)越來越困難,而掌握戰(zhàn)爭(zhēng)發(fā)展趨勢(shì)是贏得戰(zhàn)爭(zhēng)勝利的必要條件,所以要找到一種既可以保證實(shí)時(shí)性又可以保證準(zhǔn)確率的方法來對(duì)陸戰(zhàn)場(chǎng)中的不同軍事目標(biāo)加以識(shí)別并反饋結(jié)果,以適應(yīng)現(xiàn)在陸戰(zhàn)場(chǎng)的作戰(zhàn)要求。對(duì)于在陸戰(zhàn)場(chǎng)中的目標(biāo)識(shí)別任務(wù)來說,特征的提取是最重要的一步。針對(duì)傳統(tǒng)的特征提取方法容易受到光照、形變、遮擋和裁剪等因素的影響,導(dǎo)致傳統(tǒng)方法的識(shí)別率低下等問題,本文選擇了在特征提取方面相比其他方法具有優(yōu)越性的卷積神經(jīng)網(wǎng)絡(luò),并將遷移學(xué)習(xí)的思想與深度學(xué)習(xí)結(jié)合,設(shè)計(jì)了一套可獨(dú)立操作擴(kuò)展數(shù)據(jù)集的基于卷積神經(jīng)網(wǎng)絡(luò)的陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別系統(tǒng)。論文的主要工作如下:首先,對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及工作原理做了深入的研究,利用卷積神經(jīng)網(wǎng)絡(luò)的局部感知和參數(shù)共享的特點(diǎn),把卷積神經(jīng)網(wǎng)絡(luò)引入陸戰(zhàn)場(chǎng)目標(biāo)的識(shí)別領(lǐng)域,設(shè)計(jì)出一種適用于陸戰(zhàn)場(chǎng)目標(biāo)的識(shí)別方法,相比于傳統(tǒng)方法提升了識(shí)別的準(zhǔn)確率。其次,針對(duì)國(guó)內(nèi)外目前已公開的用于研究的SAR數(shù)據(jù)庫很少,使用原始數(shù)據(jù)庫作為訓(xùn)練集或測(cè)試集容易產(chǎn)生過擬合問題。本文利用了多種數(shù)據(jù)擴(kuò)充方式對(duì)已公開的SAR圖像數(shù)據(jù)集加以擴(kuò)充,使總數(shù)據(jù)量擴(kuò)增至原始數(shù)據(jù)量的12倍...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)在目標(biāo)識(shí)別領(lǐng)域的研究現(xiàn)狀
        1.2.2 遷移學(xué)習(xí)在百標(biāo)識(shí)別領(lǐng)域的研究現(xiàn)狀
        1.2.3 陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別技術(shù)研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容及章節(jié)安排
2 陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別與深度學(xué)習(xí)概述
    2.1 引言
        2.1.1 陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別關(guān)鍵技術(shù)
        2.1.2 傳統(tǒng)目標(biāo)識(shí)別特征介紹
        2.1.3 傳統(tǒng)目標(biāo)識(shí)別方法介紹
    2.2 深度學(xué)習(xí)方法對(duì)比
        2.2.1 深度置信網(wǎng)絡(luò)
        2.2.2 自動(dòng)編碼器
        2.2.3 生成對(duì)抗網(wǎng)絡(luò)
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    3.1 引言
    3.2 網(wǎng)絡(luò)基本結(jié)構(gòu)設(shè)計(jì)
        3.2.1 非線性激活函數(shù)的選擇
        3.2.2 池化方法的選擇
        3.2.3 分類器設(shè)計(jì)
    3.3 網(wǎng)絡(luò)的優(yōu)化方法對(duì)比及選擇
        3.3.1 反向傳播
        3.3.2 梯度下降優(yōu)化算法
        3.3.3 過擬合問題與應(yīng)對(duì)策略
    3.4 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別方法
    4.1 引言
    4.2 系統(tǒng)整體方案設(shè)計(jì)
    4.3 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.1 MSTAR數(shù)據(jù)集簡(jiǎn)介
        4.3.2 SAR圖像數(shù)據(jù)擴(kuò)充方法
        4.3.3 目標(biāo)-背景圖像合成方法
    4.4 遷移學(xué)習(xí)理論
        4.4.1 遷移學(xué)習(xí)概念
        4.4.2 遷移學(xué)習(xí)機(jī)制
    4.5 陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別算法整體結(jié)構(gòu)
    4.6 訓(xùn)練方法
        4.6.1 批量歸一化
        4.6.2 參數(shù)微調(diào)階段
    4.7 本章小結(jié)
5 系統(tǒng)設(shè)計(jì)和實(shí)驗(yàn)結(jié)果分析
    5.1 引言
    5.2 實(shí)驗(yàn)軟硬件平臺(tái)設(shè)計(jì)
        5.2.1 深度學(xué)習(xí)框架選擇
        5.2.2 實(shí)驗(yàn)平臺(tái)配置
        5.2.3 陸戰(zhàn)場(chǎng)目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)
    5.3 MSTAR數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.3.1 未結(jié)合遷移學(xué)習(xí)方法的目標(biāo)識(shí)別算法
        5.3.2 結(jié)合遷移學(xué)習(xí)方法的目標(biāo)識(shí)別算法
        5.3.3 與不同結(jié)構(gòu)的CNN模型對(duì)比
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 本文主要工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3841438