论文部分内容阅读
合成孔径雷达(Synthetic aperture radar,SAR)是一种全天时、全天候工作的成像雷达,其获取的SAR图像能够为各领域提供有用的信息。SAR自动目标识别方法能够自动解译得到SAR图像中的有用信息,是SAR研究领域的一个研究热点。近年来,深度学习已成功应用在SAR自动目标识别之中,能够有效地提高目标的识别率进一步推动SAR的广泛应用。本文针对深度学习框架中的卷积神经网络和自编码器分别进行了深入的研究,在此基础上,提出了改进的卷积神经网络和自编码网络,并将其应用于SAR自动目标识别中,取得了较高的正确识别率。论文主要研究内容如下:(1)提出了一种基于全卷积神经网络的SAR自动目标识别算法。在该方法中,首先通过人工数据扩充解决了深度学习中SAR目标数据不足的问题。然后给出了使用卷积层代替传统卷积神经网络中的池化层和全连接层的可行性分析,并通过实验指出了卷积层代替池化层带来的优势。最后通过实验对比,验证了基于全卷积神经网络的框架在SAR自动目标识别上更优于传统卷积神经网络的框架。(2)提出了一种基于改进自编码器的SAR自动目标识别方法。在该方法中,首先指出了数据不足是深度学习应用于SAR目标识别领域的首要难题。虽然,通过数据扩充能够解决这一问题,但训练具有大规模数据的深度学习框架是一个耗时耗力的问题。为此,针对卷积神经网络和自编码,提出了一种改进的自编码网络,即通过使用卷积层代替传统自编码网络中的全连接层。最后,通过实验数据分析,无论是作为特征提取器还是作为一种预训练网络。改进后的自编码器在SAR目标识别上均优于传统自编码器。