發(fā)布時間：2020-12-13 00:46

　　如今,隨著雷達技術(shù)的發(fā)展和突破使得雷達成像的分辨率越來越高,同時對雷達目標的識別要求也越發(fā)的高。本文要處理的圖像是合成孔徑雷達(synthetic aperture radar,SAR)圖像,即識別出SAR圖像中的目標物體。如何提高SAR圖像識別的精度和識別的速度?最近幾年人工智能快速發(fā)展,特別是深度學習的興起,為雷達目標識別提供了一條新的路徑。本文研究內(nèi)容基于人工智能的雷達目標識別技術(shù),研究的數(shù)據(jù)來源于MSTAR數(shù)據(jù)集,它是一個公開的合成孔徑雷達圖像數(shù)據(jù)集。本文首先研究SAR成像原理及其圖像特征,SAR圖像目標識別的算法過程,以及復雜電磁環(huán)境下半實物仿真散射點目標特征。然后對深度學習的深度神經(jīng)網(wǎng)絡算法、卷積網(wǎng)絡模型、受限玻爾茲曼機和自編碼器等算法模型進行研究,基于這些算法模型對SAR圖像噪聲進行處理。接著提出自編碼器和支持向量機組合模型進行目標識別。該模型分別運用自編碼器實現(xiàn)特征選擇和數(shù)據(jù)降維和使用支持向量機來進行最后的目標分類。本文分析該模型的優(yōu)勢和不足,并提出改進的想法。本文接著研究基于卷積神經(jīng)網(wǎng)絡的雷達目標識別,通過研究當前各種深度神經(jīng)網(wǎng)絡框架模型,分析了它們的優(yōu)勢和不足,基于... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

雷達成像示意圖

圖 2-2 合成孔徑示意圖有效時間積累即雷達運行一個孔徑長度大小的時間，v為鄰的兩個目標散射點我們認為分別位于孔徑正側(cè)視的中生的位移為y的位置。當y=0 時是雷達的載體與目標之時為時間零點，t=0�？讖嚼走_成像算法標發(fā)射的電磁波，合成孔徑雷達成像系統(tǒng)接收到目標反布狀況，這個分布是對于回波的二維處理得到的，一般距離向壓縮處理過程和方位向壓縮處理過程兩個部分。方位向上因為存在徙動現(xiàn)象，所以相對比較困難。勒算法是合成孔徑雷達所成像算法（包括其他雷達如逆廣泛）中較簡單也是最經(jīng)典的一種算法。距離多普勒算分來完成，其中方位向則是利用雷達回波中的多普勒信

圖 2-3 識別流程圖對于傳統(tǒng)的目標識別而言，尤其困難和繁瑣的是對圖像進行有效的特征的提取對于一個優(yōu)秀的雷達目標識別系統(tǒng)而言如何快速并準確地識別出圖像中的目標是非常重要的。然而要做到快速，那么對于圖像的特征的提取就需要快速、簡便、有效，但是人為選擇特征提取算子對整幅圖去進行特征選擇會非常繁瑣、效率低下，并且可能選出的特征并不能很好地表征目標物體。近年來，深度學習發(fā)展迅速，各種各樣新的網(wǎng)絡結(jié)構(gòu)（卷積神經(jīng)網(wǎng)絡，自編碼器、受限玻爾茲曼機等）和訓練技巧（dropout、NB等）的出現(xiàn)[16]，使得深度學習被用到各個領(lǐng)域。深度卷積網(wǎng)絡在圖像識別分類和目標檢測方面都表現(xiàn)地十分出色，而且深度卷積網(wǎng)絡還有一個傳統(tǒng)分類方法所沒有的優(yōu)點，就是告別了人為選擇特征提取算子的過程。因為深度卷積網(wǎng)絡訓練的過程就是在學習如何自動進行特征選擇，它的每一個卷積層就是一個特征選擇的過程，輸出就是一個個特征圖。有因為深度卷積網(wǎng)絡的一系列自動處理過程使得目標識別比傳統(tǒng)方法更加快速。相比于以往采用支持向量機作為識別任務的左后一環(huán)來進行分類，如今有許多

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的高分辨率SAR圖像飛機目標檢測方法[J]. 王思雨,高鑫,孫皓,鄭歆慰,孫顯.  雷達學報. 2017(02)
[2]合成孔徑雷達數(shù)據(jù)減災應用潛力研究綜述[J]. 張薇,楊思全,王磊,李巖.  遙感技術(shù)與應用. 2012(06)
[3]高分辨率SAR數(shù)據(jù)在5·12汶川地震災害監(jiān)測與評估中的應用[J]. 劉斌濤,陶和平,范建容,田兵偉,張建強,嚴冬.  山地學報. 2008(03)
[4]SAR圖像中目標的檢測和識別研究進展[J]. 楊桄,陳克雄,周脈魚,徐忠林,王宗明.  地球物理學進展. 2007(02)

碩士論文
[1]基于散射中心模型的SAR圖像自動目標識別[D]. 程肖.國防科學技術(shù)大學 2009



本文編號：2913567