基于ICNN和IGAN的SAR目标识别方法

发布时间：2020-12-26 08:40

　　近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。 

【文章来源】：雷达科学与技术. 2020年03期 北大核心

【文章页数】：8 页

【部分图文】：

基于ICNN和IGAN的SAR目标识别方法

ICNN的结构和参数

IGAN的鉴别器D和ICNN的隐藏层结构参数相同，生成器G包括6个反卷积层和2个全连接层，前5个反卷积层后采用ReLU激活函数，最后1个反卷积层后采用tanh激活函数，如图3所示。为了减轻反卷积层带来的棋盘伪影，所有卷积核的大小均为4×4。G的前向传播过程和各层参数如下：1）随机产生1×100的噪声，经过2个全连接层后，输出为1×8 192的矢量；

【参考文献】：
期刊论文
[1]基于FCNN和ICAE的SAR图像目标识别方法[J]. 喻玲娟,王亚东,谢晓春,林赟,洪文.  雷达学报. 2018(05)



本文编号：2939385