论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)具有远距离、全天时和全天候工作能力,在军事和民用领域发挥着非常重要的作用。SAR自动目标识别(SAR Automatic Target Recognition,SAR-ATR)一直是SAR领域的研究热点之一,它能够利用计算机自动识别目标并判断其所属类别。近年来,深度卷积神经网络(Convolution Neural Network,CNN)作为一种典型的深度学习技术,被广泛应用于SAR-ATR中,并取得了较为显著的成绩。目前,多数基于CNN的SAR-ATR方法只采用了SAR图像幅度数据,而丢失了相位数据。事实上,SAR相位数据也包含了丰富的目标信息。因此,研究基于复数卷积神经网络(Complex-Valued Convolution Neural Network,CCNN)网络的SAR-ATR方法显得极为迫切。本文主要提出了三种改进的复数卷积神经网络,并在此基础上引入改进的复数卷积自编码器(Improved Complex Convolutional Auto Encoder,ICCAE)对其中的一种进行无监督预训练,具体内容如下:(1)本文提出了三种改进的复数卷积神经网络结构,分别是复数全卷积神经网络(Complex-Valued Full Convolution Neural Network,CFCNN)、实虚两通道复数全卷积神经网络(Real and Imagery Dual-Channel Full Convolution Neural Network,RIDC-FCNN)、幅相两通道复数全卷积神经网络(Amplitude and Phase Dual-Channel Full Convolutional Neural Network,APDC-FCNN)。然后,推导了三种网络的后向传播公式,并对CFCNN的计算复杂度进行了分析。MSTAR数据集的实验结果表明,CFCNN比CNN和CCNN具有更高的识别率。此外,RIDC-FCNN比CFCNN和APDC-FCNN具有更高的识别率。(2)本文提出了一种结合RIDC-FCNN和ICCAE的SAR目标分类方法。该方法先进行ICCAE的无监督预训练,然后将ICCAE的部分参数初始化RIDC-FCNN,最后进行RIDC-FCNN的微调。此外,推导了基于RIDC-FCNN和ICCAE的后向传播公式。MSTAR数据集和全极化Flevoland数据集的实验结果表明,基于RIDC-FCNN和ICCAE的方法比直接基于RIDC-FCNN的方法,不仅能用少量的数据集获取较高的识别率,而且具有较强的抗噪声能力。