發(fā)布時(shí)間：2024-07-04 19:15

　　合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種能夠全天時(shí)、全天候和遠(yuǎn)距離對(duì)目標(biāo)進(jìn)行主動(dòng)觀測(cè)的系統(tǒng),已廣泛應(yīng)用于軍事和民用領(lǐng)域。SAR自動(dòng)目標(biāo)識(shí)別(SAR Automatic Target Recognition,SAR-ATR)是SAR領(lǐng)域的研究熱點(diǎn)之一,它能夠自動(dòng)、快速、準(zhǔn)確地識(shí)別目標(biāo)。近年來(lái),深度學(xué)習(xí)理論已廣泛應(yīng)用于SAR-ATR,并取得了顯著的成績(jī)。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一種典型的深度學(xué)習(xí)網(wǎng)絡(luò),它能通過(guò)提取目標(biāo)不同層次特征,獲得較高的目標(biāo)識(shí)別率。然而,基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)分類需要大量的訓(xùn)練樣本,否則容易出現(xiàn)過(guò)擬合問(wèn)題。此外,CNN也無(wú)法解決因目標(biāo)姿態(tài)發(fā)生變化(如平移、旋轉(zhuǎn)、縮放等)而帶來(lái)的錯(cuò)誤分類問(wèn)題。為了解決以這些問(wèn)題,本文分別結(jié)合生成對(duì)抗網(wǎng)絡(luò)和膠囊網(wǎng)絡(luò)的優(yōu)勢(shì),提出了兩種SAR目標(biāo)分類方法,具體內(nèi)容如下:1)提出了一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(Improved Convolutional Neural Network,ICNN)和改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)(Improved Generat...

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景及意義
    1.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 SAR目標(biāo)分類研究現(xiàn)狀
    1.4 論文主要工作及結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)理論
    2.1 深度學(xué)習(xí)理論概述
    2.2 神經(jīng)網(wǎng)絡(luò)
        2.2.1 信息前向傳播
        2.2.2 誤差反向傳播
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 激活函數(shù)
        2.3.4 全連接層和輸出層
    2.4 生成對(duì)抗網(wǎng)絡(luò)
    2.5 膠囊網(wǎng)絡(luò)
    2.6 本章小結(jié)
第三章 基于ICNN和IGAN的SAR目標(biāo)分類方法
    3.1 基于ICNN和IGAN的SAR目標(biāo)分類方法模型
        3.1.1 ICNN
        3.1.2 IGAN
    3.2 ICNN和IGAN的結(jié)構(gòu)參數(shù)
        3.2.1 ICNN結(jié)構(gòu)參數(shù)
        3.2.2 IGAN結(jié)構(gòu)參數(shù)
    3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于改進(jìn)的膠囊網(wǎng)絡(luò)的SAR目標(biāo)分類方法
    4.1 改進(jìn)的膠囊網(wǎng)絡(luò)模型
        4.1.1 注意力模塊
        4.1.2 改進(jìn)的膠囊網(wǎng)絡(luò)參數(shù)
    4.2 實(shí)驗(yàn)結(jié)果及分析
        4.2.1 采用全部的數(shù)據(jù)集
        4.2.2 減少訓(xùn)練樣本數(shù)
        4.2.3 對(duì)測(cè)試樣本進(jìn)行姿態(tài)變換
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果



本文編號(hào)：4000468