基于随机卷积特征和集成超限学习机的快速SAR目标识别
深度卷积神经网络在目标检测与识别等方面表现出了优异性能,但将其用于SAR目标识别时,较少的训练样本和深度模型的优化设计是必须解决的两个问题.本文设计了一种结合二维随机卷积特征和集成超限学习机的SAR目标识别算法.首先,随机生成具有不同宽度的二维卷积核,对输入图像进行卷积与池化操作,提取随机卷积特征向量.其次,为提高分类器的泛化能力,并降低训练时间,基于集成学习思想对提取的卷积特征进行随机采样,然后采用超限学习机训练基分类器.最后,通过投票表决法对基分类器的分类结果进行集成.采用MSTAR数据集进行了SAR目标识别实验,实验结果表明,由于采用的超限学习机具有快速训练能力,训练时间降低了数十倍,在无需进行数据增强的情况下,分类精度与采用数据增强和多层卷积神经网络的深度学习算法相当.提出的算法具有实现简单、需要调整参数少等优点,采用集成学习思想提高了分类器的泛化能力.
深度学习、卷积特征、随机化、超限学习机、集成学习
45
TN957.52
国家自然科学基金61375011项目Supported by National Natural Science Foundation61375011
2018-03-20(万方平台首次上网日期,不代表论文的发表时间)
共10页
15-24