SAR图像目标识别的卷积神经网模型
目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率.针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别.方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响.结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率(包含变体)由93.76%提升至98.10%.通过设置4组对比实验说明网络结构的改进和优化的有效性.卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理.结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法.
合成孔径雷达、自动目标识别、卷积神经网络、正则化、Dropout
23
TN957.52
2018-12-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
1733-1741