合成孔径雷达目标识别理论与关键技术研究

发布时间：2017-03-21 12:11

  本文关键词：合成孔径雷达目标识别理论与关键技术研究，，由笔耕文化传播整理发布。

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候等特点,是一种重要的对地观测手段。SAR目标识别利用SAR图像信息实现目标种类、型号等属性的判定,在战场侦察、精确打击等军事领域有明确的应用需求,是提升SAR传感器信息感知能力、实现SAR技术应用的关键技术之一。近十几年来,SAR目标识别技术在相关理论和方法研究方面已取得较大的研究进展。但在识别目标数据库构建、目标特征库建立、快速检测与定位、分类判决等方面,还存在理论研究不深入、信息难以快速转化、识别方法实用性不强、识别系统智能化程度低等问题,从而限制了SAR技术的深层次发展。本论文围绕SAR图像目标识别中的目标特征库以及分类判决等关键问题,从稀疏特征提取、多特征多分类器融合以及认知学习等方面开展了较为深入的研究,主要创新如下:1、提出了L1/2-NMF目标特征提取算法,通过在非负矩阵分解目标函数中引入L1/2范数约束,增加分解基矩阵和特征矩阵稀疏度,降低特征信息冗余,提高了基于非负矩阵分解的目标特征描述性能;2、提出了基于层级推动融合策略的目标分类判决方法,结合并联和级联结构的优点,通过每层分类置信度判断,实现分类结果的逐层判决、逐层融合,从而减少了特征冲突,提高了多分类器融合效率,实现了多维度特征的有效利用与融合;3、针对小样本数据集识别问题,提出了基于目标层级特征表示的识别方法。通过深度学习多层网络模型的构建,实现了目标特征的多层表示,并提取最佳层级特征送入模式分类器,提升了小样本数据集目标识别准确率;4、提出了约束受限玻尔兹曼机目标识别方法。通过引入广义稀疏约束,增加权重基矩阵和隐含层单元稀疏度,提高了基于受限玻尔兹曼机的目标特征表示的有效性;将约束受限玻尔兹曼机引入层级特征识别,明显改善了SAR目标识别性能。以上工作,已通过基于MSTAR数据库的识别试验验证,有效提高了SAR目标识别系统的识别效率和准确率。
【关键词】：SAR图像 目标识别 非负矩阵分解 层级识别 深度置信网络
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-24
• 1.1 研究背景11-13
• 1.2 国内外研究现状13-21
• 1.2.1 目标特征提取14-16
• 1.2.2 多信息融合16-19
• 1.2.2.1 多源图像融合16-17
• 1.2.2.2 多特征融合17-18
• 1.2.2.3 多分类器融合18-19
• 1.2.3 认知学习19-20
• 1.2.4 总体现状20-21
• 1.3 本文主要贡献与创新21-22
• 1.4 本文内容安排22-24
• 第二章 基于非负矩阵分解的SAR目标特征提取24-53
• 2.1 常用模式特征24-28
• 2.1.1 主成分分析25
• 2.1.2 线性判别分析25-26
• 2.1.3 局部判别嵌入26-27
• 2.1.4 非负矩阵分解27-28
• 2.2 SAR目标特征提取过程可视化28-37
• 2.2.1 理论基础29-30
• 2.2.2 过程分步分析30-37
• 2.3 基于稀疏约束的非负矩阵分解37-52
• 2.3.1 常用非负矩阵分解变体38-42
• 2.3.1.1 局部非负矩阵分解38-40
• 2.3.1.2 非负稀疏编码40
• 2.3.1.3 稀疏非负矩阵分解40-41
• 2.3.1.4 基于稀疏度约束的非负矩阵分解41
• 2.3.1.5 非平滑非负矩阵分解41-42
• 2.3.2 基于L_(1/2) 范数约束的非负矩阵分解42-44
• 2.3.3 试验分析44-52
• 2.3.3.0 MSTAR数据集45-47
• 2.3.3.1 稀疏度分析47-49
• 2.3.3.2 三类目标识别49-51
• 2.3.3.3 十类目标识别51-52
• 2.4 本章小结52-53
• 第三章 多特征层级推进分类判决53-69
• 3.1 多分类器融合53-56
• 3.1.1 多分类器融合方法54-55
• 3.1.2 多分类器融合方式55-56
• 3.2 层级推进融合策略56-59
• 3.2.1 分类置信度57
• 3.2.2 概率输出权重57-58
• 3.2.3 层级推进融合基本流程58-59
• 3.3 基于层级推进融合策略的目标识别59-67
• 3.3.1 三层识别系统59-62
• 3.3.1.1 特征提取59-60
• 3.3.1.2 分类概率输出60-61
• 3.3.1.3 融合理论61-62
• 3.3.2 实验分析62-67
• 3.3.2.1 三类目标识别62-63
• 3.3.2.2 目标拒识63-64
• 3.3.2.3 俯仰角和目标配置变化识别64-67
• 3.4 本章小结67-69
• 第四章 基于深度置信网络的SAR目标层级特征提取69-84
• 4.1 深度学习模型69-72
• 4.2 深度置信网络72-77
• 4.2.1 受限玻尔兹曼机72-77
• 4.2.1.1 基本理论72-75
• 4.2.1.2 对比散度75-77
• 4.2.2 深度置信网络77
• 4.3 基于深度置信网络的SAR目标识别77-83
• 4.3.1 层级系统框架78
• 4.3.2 目标层级特征提取78-80
• 4.3.3 试验分析80-83
• 4.3.3.1 初始化设置80
• 4.3.3.2 试验结果与分析80-83
• 4.4 本章小结83-84
• 第五章 基于约束受限玻尔兹曼机的SAR目标识别84-102
• 5.1 基于稀疏约束的深度学习算法85-88
• 5.1.1 稀疏自编码器86-87
• 5.1.2 稀疏受限玻尔兹曼机87-88
• 5.2 广义约束受限玻尔兹曼机88-92
• 5.2.1 基于L_1范数约束的受限玻尔兹曼机90-91
• 5.2.2 基于L_2范数约束的受限玻尔兹曼机91
• 5.2.3 基于L_(1/2) 范数约束的受限玻尔兹曼机91-92
• 5.3 基于约束受限玻尔兹曼机的SAR目标识别92-101
• 5.3.1 深度结构92-93
• 5.3.2 试验分析93-101
• 5.3.2.1 初始化设置93
• 5.3.2.2 稀疏度分析93-98
• 5.3.2.3 三类目标识别98-99
• 5.3.2.4 十类目标识别99-101
• 5.4 本章小结101-102
• 第六章 总结与展望102-104
• 6.1 全文工作总结102-103
• 6.2 后续工作展望103-104
• 致谢104-106
• 参考文献106-120
• 攻读博士学位期间取得的成果120-121

  本文关键词：合成孔径雷达目标识别理论与关键技术研究，由笔耕文化传播整理发布。

本文编号：259649