论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种不受环境,如光照,气候等因素影响的高分辨率雷达,被广泛的应用于军事领域和民用领域之中。在SAR的众多应用之中,SAR图像目标自动识别(Automatic Target Recognition,ATR)技术具有非常重要的军事价值,该技术可以有效的解译出目标中的有效信息,提高军队的作战能力及情报分析与获取能力。SAR图像目标鉴别是SAR图像目标自动识别技术的重要组成部分,而SAR图像特征提取又作为SAR目标鉴别的关键步骤,其特征提取的好坏与否将直接影响SAR目标鉴别与识别结果的优劣。非线性变换方法可以挖掘出数据的潜在信息,实现高维数据的维数压缩,是SAR图像目标特征提取的重要分支。深度学习模型中包含强大的非线性映射关系,可以有效且自动地学习高维数据中的特征表达,已成为近些年的研究热点。随着SAR成像技术的迅猛发展,越来越多的高分辨率SAR图像得以被获取,SAR图像中包含的信息也越来越复杂化,因此,在这个高速信息化、智能化的时代中,将深度学习引入SAR ATR领域是必须且急迫的。本文结合深度学习理论,围绕基于自编码器的SAR目标鉴别算法进行了深入的研究。本论文各部分工作内容概括如下:1.介绍SAR图像目标鉴别的研究背景、意义、发展现状及论文的具体安排。2.研究了一种基于稀疏自编码器的SAR图像目标鉴别方法。SAR特征提取环节一般是对基于专家知识设计的鉴别特征进行人工提取,这个过程费时费力,且提取出的特征会丢失原始数据中的部分信息,而自编码器及稀疏自编码器能自动学习数据特征且减少人为干涉。本算法利用稀疏自编码器对SAR图像进行学习,采用无监督学习法自动的从SAR图像数据中学习特征,使用Softmax分类器对得到的特征进行分类,验证了经稀疏自编码器提取出的特征应用于SAR目标鉴别的可行性与有效性。3.针对分类任务,研究了一种与自编码器具有相同结构的类编码器。类编码器的主要思想是通过最小化类内数据的重构差异,从而减少学到的类内特征差异,达到有针对性的对SAR图像特征进行学习的目的,学到SAR图像的可鉴别性特征。随后将类编码器作为Softmax分类器的约束研究了类编码器分类器,类编码器分类器在一个网络模型中同时进行重构任务与分类任务,进而使模型在特征学习的过程中令其学习结果利于分类。4.本部分首先对基于栈式稀疏自编码器的SAR目标鉴别算法进行研究,然后在此基础上,引入可以描述类内特征与类间特征关系的Fisher准则,并结合深层网络的特征学习能力,利用Fisher准则对栈式稀疏自编码器的微调过程进行约束,研究基于Fisher准则约束下的栈式稀疏自编码器的SAR图像目标鉴别算法。通过将Fisher准则作为SSAE微调过程中深层特征的约束,可以使学到的特征类内差异小,类间差异大,从而使学到的深层特征更利于SAR目标鉴别。