合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種能夠全天時、全天候和遠距離對目標進行主動觀測的系統,已廣泛應用于軍事和民用領域。SAR自動目標識別(SAR Automatic Target Recognition,SAR-ATR)是SAR領域的研究熱點之一,它能夠自動、快速、準確地識別目標。近年來,深度學習理論已廣泛應用于SAR-ATR,并取得了顯著的成績。卷積神經網絡(Convolutional Neural Network,CNN)是一種典型的深度學習網絡,它能通過提取目標不同層次特征,獲得較高的目標識別率。然而,基于卷積神經網絡的SAR目標分類需要大量的訓練樣本,否則容易出現過擬合問題。此外,CNN也無法解決因目標姿態發生變化(如平移、旋轉、縮放等)而帶來的錯誤分類問題。為了解決以這些問題,本文分別結合生成對抗網絡和膠囊網絡的優勢,提出了兩種SAR目標分類方法,具體內容如下:1)提出了一種基于改進的卷積神經網絡(Improved Convolutional Neural Network,ICNN)和改進的生成對抗網絡(Improved Generat...

【文章頁數】：58 頁

【學位級別】：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 深度學習研究現狀
    1.3 SAR目標分類研究現狀
    1.4 論文主要工作及結構安排
第二章 深度學習理論
    2.1 深度學習理論概述
    2.2 神經網絡
        2.2.1 信息前向傳播
        2.2.2 誤差反向傳播
    2.3 卷積神經網絡
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 激活函數
        2.3.4 全連接層和輸出層
    2.4 生成對抗網絡
    2.5 膠囊網絡
    2.6 本章小結
第三章 基于ICNN和IGAN的SAR目標分類方法
    3.1 基于ICNN和IGAN的SAR目標分類方法模型
        3.1.1 ICNN
        3.1.2 IGAN
    3.2 ICNN和IGAN的結構參數
        3.2.1 ICNN結構參數
        3.2.2 IGAN結構參數
    3.3 實驗結果
    3.4 本章小結
第四章 基于改進的膠囊網絡的SAR目標分類方法
    4.1 改進的膠囊網絡模型
        4.1.1 注意力模塊
        4.1.2 改進的膠囊網絡參數
    4.2 實驗結果及分析
        4.2.1 采用全部的數據集
        4.2.2 減少訓練樣本數
        4.2.3 對測試樣本進行姿態變換
    4.3 本章小結
第五章 總結與展望
    5.1 全文總結
    5.2 工作展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：4000468