基于生成对抗网络和胶囊网络的SAR目标分类

发布时间：2024-07-04 19:15

　　合成孔径雷达(Synthetic Aperture Radar,SAR)是一种能够全天时、全天候和远距离对目标进行主动观测的系统,已广泛应用于军事和民用领域。SAR自动目标识别(SAR Automatic Target Recognition,SAR-ATR)是SAR领域的研究热点之一,它能够自动、快速、准确地识别目标。近年来,深度学习理论已广泛应用于SAR-ATR,并取得了显著的成绩。卷积神经网络(Convolutional Neural Network,CNN)是一种典型的深度学习网络,它能通过提取目标不同层次特征,获得较高的目标识别率。然而,基于卷积神经网络的SAR目标分类需要大量的训练样本,否则容易出现过拟合问题。此外,CNN也无法解决因目标姿态发生变化(如平移、旋转、缩放等)而带来的错误分类问题。为了解决以这些问题,本文分别结合生成对抗网络和胶囊网络的优势,提出了两种SAR目标分类方法,具体内容如下:1)提出了一种基于改进的卷积神经网络(Improved Convolutional Neural Network,ICNN)和改进的生成对抗网络(Improved Generat...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 论文研究背景及意义
    1.2 深度学习研究现状
    1.3 SAR目标分类研究现状
    1.4 论文主要工作及结构安排
第二章 深度学习理论
    2.1 深度学习理论概述
    2.2 神经网络
        2.2.1 信息前向传播
        2.2.2 误差反向传播
    2.3 卷积神经网络
        2.3.1 卷积层
        2.3.2 池化层
        2.3.3 激活函数
        2.3.4 全连接层和输出层
    2.4 生成对抗网络
    2.5 胶囊网络
    2.6 本章小结
第三章 基于ICNN和IGAN的SAR目标分类方法
    3.1 基于ICNN和IGAN的SAR目标分类方法模型
        3.1.1 ICNN
        3.1.2 IGAN
    3.2 ICNN和IGAN的结构参数
        3.2.1 ICNN结构参数
        3.2.2 IGAN结构参数
    3.3 实验结果
    3.4 本章小结
第四章 基于改进的胶囊网络的SAR目标分类方法
    4.1 改进的胶囊网络模型
        4.1.1 注意力模块
        4.1.2 改进的胶囊网络参数
    4.2 实验结果及分析
        4.2.1 采用全部的数据集
        4.2.2 减少训练样本数
        4.2.3 对测试样本进行姿态变换
    4.3 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 工作展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：4000468