發(fā)布時(shí)間：2020-12-13 00:46

　　如今,隨著雷達(dá)技術(shù)的發(fā)展和突破使得雷達(dá)成像的分辨率越來(lái)越高,同時(shí)對(duì)雷達(dá)目標(biāo)的識(shí)別要求也越發(fā)的高。本文要處理的圖像是合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像,即識(shí)別出SAR圖像中的目標(biāo)物體。如何提高SAR圖像識(shí)別的精度和識(shí)別的速度?最近幾年人工智能快速發(fā)展,特別是深度學(xué)習(xí)的興起,為雷達(dá)目標(biāo)識(shí)別提供了一條新的路徑。本文研究?jī)?nèi)容基于人工智能的雷達(dá)目標(biāo)識(shí)別技術(shù),研究的數(shù)據(jù)來(lái)源于MSTAR數(shù)據(jù)集,它是一個(gè)公開(kāi)的合成孔徑雷達(dá)圖像數(shù)據(jù)集。本文首先研究SAR成像原理及其圖像特征,SAR圖像目標(biāo)識(shí)別的算法過(guò)程,以及復(fù)雜電磁環(huán)境下半實(shí)物仿真散射點(diǎn)目標(biāo)特征。然后對(duì)深度學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)算法、卷積網(wǎng)絡(luò)模型、受限玻爾茲曼機(jī)和自編碼器等算法模型進(jìn)行研究,基于這些算法模型對(duì)SAR圖像噪聲進(jìn)行處理。接著提出自編碼器和支持向量機(jī)組合模型進(jìn)行目標(biāo)識(shí)別。該模型分別運(yùn)用自編碼器實(shí)現(xiàn)特征選擇和數(shù)據(jù)降維和使用支持向量機(jī)來(lái)進(jìn)行最后的目標(biāo)分類。本文分析該模型的優(yōu)勢(shì)和不足,并提出改進(jìn)的想法。本文接著研究基于卷積神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識(shí)別,通過(guò)研究當(dāng)前各種深度神經(jīng)網(wǎng)絡(luò)框架模型,分析了它們的優(yōu)勢(shì)和不足,基于... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

雷達(dá)成像示意圖

圖 2-2 合成孔徑示意圖有效時(shí)間積累即雷達(dá)運(yùn)行一個(gè)孔徑長(zhǎng)度大小的時(shí)間，v為鄰的兩個(gè)目標(biāo)散射點(diǎn)我們認(rèn)為分別位于孔徑正側(cè)視的中生的位移為y的位置。當(dāng)y=0 時(shí)是雷達(dá)的載體與目標(biāo)之時(shí)為時(shí)間零點(diǎn)，t=0。孔徑雷達(dá)成像算法標(biāo)發(fā)射的電磁波，合成孔徑雷達(dá)成像系統(tǒng)接收到目標(biāo)反布狀況，這個(gè)分布是對(duì)于回波的二維處理得到的，一般距離向壓縮處理過(guò)程和方位向壓縮處理過(guò)程兩個(gè)部分。方位向上因?yàn)榇嬖卺銊?dòng)現(xiàn)象，所以相對(duì)比較困難。勒算法是合成孔徑雷達(dá)所成像算法（包括其他雷達(dá)如逆廣泛）中較簡(jiǎn)單也是最經(jīng)典的一種算法。距離多普勒算分來(lái)完成，其中方位向則是利用雷達(dá)回波中的多普勒信

圖 2-3 識(shí)別流程圖對(duì)于傳統(tǒng)的目標(biāo)識(shí)別而言，尤其困難和繁瑣的是對(duì)圖像進(jìn)行有效的特征的提取對(duì)于一個(gè)優(yōu)秀的雷達(dá)目標(biāo)識(shí)別系統(tǒng)而言如何快速并準(zhǔn)確地識(shí)別出圖像中的目標(biāo)是非常重要的。然而要做到快速，那么對(duì)于圖像的特征的提取就需要快速、簡(jiǎn)便、有效，但是人為選擇特征提取算子對(duì)整幅圖去進(jìn)行特征選擇會(huì)非常繁瑣、效率低下，并且可能選出的特征并不能很好地表征目標(biāo)物體。近年來(lái)，深度學(xué)習(xí)發(fā)展迅速，各種各樣新的網(wǎng)絡(luò)結(jié)構(gòu)（卷積神經(jīng)網(wǎng)絡(luò)，自編碼器、受限玻爾茲曼機(jī)等）和訓(xùn)練技巧（dropout、NB等）的出現(xiàn)[16]，使得深度學(xué)習(xí)被用到各個(gè)領(lǐng)域。深度卷積網(wǎng)絡(luò)在圖像識(shí)別分類和目標(biāo)檢測(cè)方面都表現(xiàn)地十分出色，而且深度卷積網(wǎng)絡(luò)還有一個(gè)傳統(tǒng)分類方法所沒(méi)有的優(yōu)點(diǎn)，就是告別了人為選擇特征提取算子的過(guò)程。因?yàn)樯疃染矸e網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是在學(xué)習(xí)如何自動(dòng)進(jìn)行特征選擇，它的每一個(gè)卷積層就是一個(gè)特征選擇的過(guò)程，輸出就是一個(gè)個(gè)特征圖。有因?yàn)樯疃染矸e網(wǎng)絡(luò)的一系列自動(dòng)處理過(guò)程使得目標(biāo)識(shí)別比傳統(tǒng)方法更加快速。相比于以往采用支持向量機(jī)作為識(shí)別任務(wù)的左后一環(huán)來(lái)進(jìn)行分類，如今有許多

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率SAR圖像飛機(jī)目標(biāo)檢測(cè)方法[J]. 王思雨,高鑫,孫皓,鄭歆慰,孫顯.  雷達(dá)學(xué)報(bào). 2017(02)
[2]合成孔徑雷達(dá)數(shù)據(jù)減災(zāi)應(yīng)用潛力研究綜述[J]. 張薇,楊思全,王磊,李巖.  遙感技術(shù)與應(yīng)用. 2012(06)
[3]高分辨率SAR數(shù)據(jù)在5·12汶川地震災(zāi)害監(jiān)測(cè)與評(píng)估中的應(yīng)用[J]. 劉斌濤,陶和平,范建容,田兵偉,張建強(qiáng),嚴(yán)冬.  山地學(xué)報(bào). 2008(03)
[4]SAR圖像中目標(biāo)的檢測(cè)和識(shí)別研究進(jìn)展[J]. 楊桄,陳克雄,周脈魚(yú),徐忠林,王宗明.  地球物理學(xué)進(jìn)展. 2007(02)

碩士論文
[1]基于散射中心模型的SAR圖像自動(dòng)目標(biāo)識(shí)別[D]. 程肖.國(guó)防科學(xué)技術(shù)大學(xué) 2009



本文編號(hào)：2913567