隨著現(xiàn)代戰(zhàn)爭的復(fù)雜程度日漸提升,在陸戰(zhàn)場中對戰(zhàn)爭實時態(tài)勢的預(yù)測越來越困難,而掌握戰(zhàn)爭發(fā)展趨勢是贏得戰(zhàn)爭勝利的必要條件,所以要找到一種既可以保證實時性又可以保證準確率的方法來對陸戰(zhàn)場中的不同軍事目標加以識別并反饋結(jié)果,以適應(yīng)現(xiàn)在陸戰(zhàn)場的作戰(zhàn)要求。對于在陸戰(zhàn)場中的目標識別任務(wù)來說,特征的提取是最重要的一步。針對傳統(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)計了一套可獨立操作擴展數(shù)據(jù)集的基于卷積神經(jīng)網(wǎng)絡(luò)的陸戰(zhàn)場目標識別系統(tǒng)。論文的主要工作如下:首先,對卷積神經(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,把卷積神經(jīng)網(wǎng)絡(luò)引入陸戰(zhàn)場目標的識別領(lǐng)域,設(shè)計出一種適用于陸戰(zhàn)場目標的識別方法,相比于傳統(tǒng)方法提升了識別的準確率。其次,針對國內(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)練集或測試集容易產(chǎn)生過擬合問題。本文利用了多種數(shù)據(jù)擴充方式對已公開的SAR圖像數(shù)據(jù)集加以擴充,使總數(shù)據(jù)量擴增至原始數(shù)據(jù)量的12倍...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)在目標識別領(lǐng)域的研究現(xiàn)狀
        1.2.2 遷移學(xué)習(xí)在百標識別領(lǐng)域的研究現(xiàn)狀
        1.2.3 陸戰(zhàn)場目標識別技術(shù)研究現(xiàn)狀
    1.3 論文研究內(nèi)容及章節(jié)安排
2 陸戰(zhàn)場目標識別與深度學(xué)習(xí)概述
    2.1 引言
        2.1.1 陸戰(zhàn)場目標識別關(guān)鍵技術(shù)
        2.1.2 傳統(tǒng)目標識別特征介紹
        2.1.3 傳統(tǒng)目標識別方法介紹
    2.2 深度學(xué)習(xí)方法對比
        2.2.1 深度置信網(wǎng)絡(luò)
        2.2.2 自動編碼器
        2.2.3 生成對抗網(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
    3.1 引言
    3.2 網(wǎng)絡(luò)基本結(jié)構(gòu)設(shè)計
        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
    3.3 網(wǎng)絡(luò)的優(yōu)化方法對比及選擇
        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)場目標識別方法
    4.1 引言
    4.2 系統(tǒng)整體方案設(shè)計
    4.3 實驗數(shù)據(jù)集
        4.3.1 MSTAR數(shù)據(jù)集簡介
        4.3.2 SAR圖像數(shù)據(jù)擴充方法
        4.3.3 目標-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)機制
    4.5 陸戰(zhàn)場目標識別算法整體結(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)計和實驗結(jié)果分析
    5.1 引言
    5.2 實驗軟硬件平臺設(shè)計
        5.2.1 深度學(xué)習(xí)框架選擇
        5.2.2 實驗平臺配置
        5.2.3 陸戰(zhàn)場目標識別系統(tǒng)設(shè)計
    5.3 MSTAR數(shù)據(jù)集實驗結(jié)果
        5.3.1 未結(jié)合遷移學(xué)習(xí)方法的目標識別算法
        5.3.2 結(jié)合遷移學(xué)習(xí)方法的目標識別算法
        5.3.3 與不同結(jié)構(gòu)的CNN模型對比
    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
致謝



本文編號：3841438