一、SAR自动目标识别及相关技术研究（论文文献综述）
陈琳[1]（2021）在《基于深度学习的SAR图像目标识别与分类》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种能够产生高分辨率图像的成像雷达,因其特殊的成像过程,使其具备全天时、全天候、处理增益高、反干扰能力强的能力。SAR系统能够在恶劣条件下工作的特点,因而在军用、民用等各类领域都有广泛使用,应用价值极高。与传统图像应用相比,SAR图像不具有丰富的光谱,与人类视觉有变差,通用性较差,且数据集大小往往比较有限,传统的图像处理技术进行目标检测太过于依赖人工特征提取,鲁棒性及泛化能力较弱。随着深度学习在计算机等领域的不断发展,基于深度学习的SAR图像分析关注度越来越高。本文采用深度学习方法对SAR图像目标识别与分类进行深入研究。首先,研究SAR图像特征提取与匹配特征混合方法,利用该方法可更准确、有效地进行SAR图像自动配准;其次,在卷积神经网络（Convolutional Neural Networks,CNN）基础上提出改进方案用以识别SAR图像,提升识别精度;最后,研究基于Faster R-CNN的SAR图像目标识别与分类方法,进一步提升识别与分类效率。本文的主要贡献如下:1.研究并提出SAR图像特征提取与匹配特征混合方法。针对SAR图像难以直观表述,其特殊的成像机制和存在散斑噪声等问题,本文研究并提出一种提取和匹配特征的混合方法。该方法通过高斯制导滤波器（Gaussian Guidance Filter,GGF）与尺度不变特征变换结合来获得Blob特征,并从GGF中获得角特征,有效减少斑点效应。实验结果表明,该混合方法可有效提升SAR图像配准的精度。2.研究并提出基于改进卷积神经网络的SAR图像目标识别方法。传统CNN方法中,存在无法收敛或收敛速度很慢的问题。本文在CNN基础上进行改进,采用新提出的传递参数方法来训练CNN网络,并在CNN最后一层连接分类器做出输出层,最后,对参数训练做进一步训练微调,以找到全局最优点。实验结果表明,与基准方法相比,该方法具有更好的识别效果和成功率。3.研究并提出Faster R-CNN的SAR图像目标识别与分类方法。为提高深度学习方法在SAR图像目标识别与分类的准确性和效率,本文提出一种Faster R-CNN方法模型。该方法引入一个区域提议网络（Regional Proposal Network,RPN）,用以预测位置的对象范围和得分,进而生成高质量的区域建议,最终提高总体的目标识别和分类精度。实验结果表明,该方法在识别精度与效率方面都得到提升。
党思航[2]（2021）在《目标识别中的增量学习方法研究》文中研究指明自动目标识别（Automatic Target Recognition,ATR）是基于传感器获取的数据识别目标的技术,能够通过模式识别、机器学习算法实现目标的类别或属性的判定,是提升传感器信息感知能力、实现传感器技术应用的关键技术之一,具有重要的研究意义。随着传感器技术的快速发展和广泛应用,海量数据被积累,而且数据量仍在不断增加。日益增多的数据必然会对目标识别能力的提升和应用范围的拓展起到积极作用,但也带来了增量数据的有效处理与高效利用问题。这要求识别算法能够在数据增量的过程中学习新的训练样本与目标类型,逐步适应传感器部署环境与数据分布的变化,获得更强的识别能力,完成更复杂更多样化的识别任务。为了使目标识别方法在数据不断增加状态下具有对知识的持续学习与推理更新能力,实现增量数据的有效处理和高效利用,本文通过分析军事目标识别中数据增量的特性,凝练了亟需解决的主要科学问题,深入开展了目标识别中的增量学习方法研究。论文的主要研究内容和贡献包括以下几个方面:（1）针对基于增量数据的模型局部稳健更新问题,提出了基于广义稀疏约束的增量非负矩阵分解方法。该方法从拆解目标函数入手,更新样本时仅计算新样本对应的新增部分,避免了在模型更新时重复计算已有样本。在此基础上充分考虑了目标稀疏特性,建立了具有与增量样本相关的广义范数约束项的目标函数,提升了计算样本的精度以及更新后识别模型的准确率。（2）针对数据增量过程中的显着样本选取问题,提出了基于类别边界样例挑选的增量学习方法。该方法从样本分布的局部统计和几何信息出发,利用羊群效应分别在类间重叠、边缘与内部区域挑选边界样例,同时在类别增量时重构训练数据分布,实现了边界样例集的更新。在增量学习尤其是类别增量中,边界样例集能够依托基于数据分布的分类器,以类别边界的形式整合已有数据的关键知识,提高了训练数据的利用效率,并在样例集规模固定的情况下提升了识别性能。（3）针对未知新类辨识与目标类型扩展问题,提出了基于类间极值距离的开集增量学习方法。该方法从开集风险函数出发,建立了能够量化新类发生可能性的包含概率衰减模型。为了更好的平衡已知类分类与未知新类拒识的性能,该方法以先验分布的距离范围为载体,建立了基于极值理论的开集分类概率模型,并结合边缘样例选择方法,仅使用类间极值距离完成建模,实现了开集增量学习。提出的开集增量分类器在类别增量过程中同时完成了训练类分类和新类辨识。（4）针对无标签新样本的更新价值评估问题,提出了基于分布可靠性评估的增量学习方法。该方法考虑了增量数据的分布扩展机制,通过计算局部密度差异评估新样本在已有数据“分布内”的可靠性,通过计算预测样本的类间混叠距离比评估其分类可靠性。“分布内”可靠性较低的新样本应被优先用于创建新类别,分类可靠性较低的新样本应被重新正确标注。基于可靠性评估的更新机制能够反映样本的更新价值,减少人工标注成本,提升ATR系统更新的收益。本文在自动目标识别方法中引入了基于增量学习的数据高效利用机制,在增量特征提取、样例学习、开集识别、预测可靠性评估等方面丰富了目标识别理论方法,为构建具备自主学习能力的自动目标识别系统提供了技术支撑。
刘志超[3]（2020）在《合成孔径雷达图像目标识别方法研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）能在恶劣气象、天候条件下工作,随着SAR分辨率的不断提高,其获取的图像可广泛应用在军事和民用等领域,尤其在军事战术中常态化的侦查监视中具有重要的应用价值。典型的SAR自动目标识别需要经历目标检测、目标鉴别、目标识别三个阶段。相比较于目标检测、目标鉴别,SAR图像目标识别在识别有效性和准确率上仍存在问题,因此,SAR图像目标识别研究成了信息工程领域研究的疑难问题,具有重要的研究意义。本文针对SAR图像目标识别在不同配置条件（包括俯仰、遮挡、噪声等）变化下现有目标识别方法识别准确率不高问题,对SAR图像目标识别关键技术:目标特征提取和目标分类的方法进行了深入的理论分析和可行性研究,具体研究内容如下:1、针对SAR图像基于传统二维经验模态分解特征提取时图像信息缺失问题,提出了一种改进了的基于复数二维经验模态分解特征提取的SAR图像目标识别方法。SAR图像本身为复数矩阵,具有幅度和相位信息,传统二维经验模态分解方法中单纯使用幅度信息会一定程度造成信息缺失。复数二维经验模态分解作为传统二维经验模态分解在复数域的扩展,可有效用于复数图像的处理和分析。通过复数二维经验模态分解对原始SAR图像进行分解,获得多层次复数内蕴模函数,反映目标时频二维特性,联合稀疏表示分类算法,可利用内在关联性约束提高各层次复数内蕴模函数的表征精度。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法有效提升了识别准确率。2、针对SAR图像基于压缩感知理论设计的单一随机投影矩阵获得的特征具有局限性,不能从多个方面反映原始SAR图像的特性,提出了一种改进了的基于联合多层次二维压缩感知投影特征提取的SAR图像目标识别方法。通过构建多个二维压缩感知随机投影矩阵,以提取原始SAR图像的多层次特征,多层次二维压缩感知随机投影矩阵不仅可以有效对高维数据进行降维处理,而且获得的特征矢量具有良好的鉴别性,能够反映原始SAR图像中目标的不同层次特征,采用联合稀疏表示来表示提取的多个特征,并考察不同特征的内在关系,根据所有特征的重建误差之和来确定目标类别。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法具有较好的识别率和鲁棒性。3、针对SAR图像基于卷积神经网络的特征提取时多特征向量融合出现的冗余问题,提出了一种基于多重集典型相关分析的深度特征融合的SAR图像目标识别方法。通过卷积神经网络中使用不同卷积核的卷积运算可以挖掘出输入图像的多方面属性,学习得到多层深度特征,利用多重集典型相关分析对来自不同卷积层的的特征向量融合为最终的特征矢量,在减少冗余的同时还保持它们的相关性,采用稀疏表示分类对多重集典型相关分析融合的深度特征向量进行分类。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法在标准操作条件和扩展操作条件下保持着较高的识别率和鲁棒性。4、提出了一种基于二维经验模态分解和极限学习机的SAR图像目标识别方法,二维经验模态分解对SAR图像进行特征提取,产生多层二维内模函数,这些多层二维内模函数能够有效消除噪声,补偿了极限学习机对噪声相对较低的自适应性。极限学习机作为一种新型的快速学习算法,训练过程中不需要对参数进行调节就可以展开训练,当设定隐层神经元数量时,自动得到最优解,学习效率高、泛化能力强。基于MSTAR数据集,该方法在标准操作条件和扩展操作条件下都具有较高的识别率和鲁棒性。
靳黎忠[4]（2020）在《基于联合稀疏表示和深度学习的SAR图像目标识别方法研究》文中研究指明合成孔径雷达（SAR）成像技术具有全天时、全天候、分辨率高、探测距离远、穿透云雾植被等优势,是一种先进的雷达信息获取方式,具有重要的军事和民用价值。而SAR图像的特征会随着不同的配置条件发生明显的变化,使得SAR图像的目标识别任务不像光学图像那样容易。此外,随着SAR成像技术的发展,雷达图像所包含的数据量越来越大,给SAR图像的解译增加了难度。如何识别雷达图像中的物体并对目标进行分类是雷达图像解译中一个亟待解决的问题。本论文主要研究应用联合稀疏表示模型和深度学习技术对SAR图像中的目标进行识别的方法。联合稀疏表示模型不仅可以表示单个任务,也可以融合多个任务的内在联系,发挥它们的互补优势。深度学习作为近年来提出的机器学习方法受到了广泛的关注与应用。深度学习模型具有逐层次学习特征的能力,通过多层的非线性网络结构学习原始数据的深层次特征,从而有效提高对目标的识别能力。论文的主要创新性工作:（1）针对SAR图像单一特征提取方法所具有片面性和局限性,一种基于多任务压缩感知的多个互补特征联合分类的目标识别方法被提出。该方法分别采用主成分分析、椭圆傅里叶描述子和方位敏感图像描述原始SAR图像的密度分布、目标形状和电磁特性。这三个特征从不同的角度描述了原始SAR图像,它们的联合使用为区分不同类别的目标提供更多的依据。随后,基于多任务压缩感知对这三个特征进行联合分类,进一步挖掘其个体差异和内在联系,提高识别性能。（2）为了提高目标被识别的效率和对噪声的抗干扰性,一种基于多级主散射图像（DSIs）的多层次方法被提出。首先,通过在原始图像中选取一定数量的主散射点来产生主散射图像,它们描述了主要散射中心的相对位置和幅度,可以更好地区分不同目标的类别。而背景噪声相对于主散射点通常具有较低的密度,通过选取主散射点产生主散射图像可去除背景噪声。其次,对测试样本的多级DSIs进行预筛选,保留明显体现当前测试样本特征的DSIs用于目标分类。最后利用联合稀疏表示对所选的多级DSIs进行联合分类。实验结果表明该方法不仅可以提高分类效率,而且还可以有效地消除强度较低的背景噪声。（3）了解决可靠性较弱的决策导致最终决策融合的识别效果变差的问题,我们将可靠性分析引入基于决策融合的SAR目标识别方法中。首先根据融合策略设计决策可靠性水平,保留可靠性水平高的决策参与最终的决策融合。为了验证可靠性分析的有效性,将此分别应用于多特征决策融合以及多分类器决策融合中,实验结果表明,与直接进行决策融合的方法相比,该方法具有较高的识别率。（4）围绕MSTAR小样本数据集难以满足深度学习训练的要求,以及残差网络结构固有的冗余缺陷,提出了基于稠密残差拓扑结构的网络模型。该模型通过稠密连接的方式把残差块连接起来,把逐层学习的SAR图像特征跨层连接到其后各层,避免残差网络的深度冗余问题。同时,该模型可以进一步缓解网络的梯度消失和梯度爆炸问题。针对MSTAR数据集样本容量少的问题,采用镜像、平移、缩放、旋转、加噪等方式对数据集进行增强,保证了训练网络所需的输入量,避免过拟合现象。
郭丹丹[5]（2020）在《深层动态概率模型的构建、推理与应用研究》文中指出近年来,人工智能技术的突出代表――深度学习,紧密地借鉴了人类大脑层次化信息处理的机制,已经在计算和智能模拟能力上取得了重要的突破。目前,研究如何利用深度学习对各种应用中的数据构建模型、学习有效特征,服务于后续任务,不论对国防还是民生事业均具有重要意义。本论文首先针对合成孔径雷达图像的目标识别问题,研究了如何采用深度学习提取雷达目标的多层特征。上述任务中,我们假设各样本服从独立同分布,但是现实应用中还存在另一类数据,其样本间存在明显的时序关系,比如天气预报,自然语言处理,疾病预测,国际关系分析,信号生成等。此时如果忽略样本内部或者之间的时序性会损失很多有价值的信息,因此构建深度动态模型表征数据的时序关系,得到对数据更加准确的描述是深度学习中重要的研究方向。本论文将进一步围绕数据样本存在时序性这一问题,从深度学习出发,结合概率统计模型,针对雷达目标识别、国际关系分析、自然语言处理等应用分别构建了深层动态概率模型,并发展了快速推理算法。1雷达目标识别技术在军事和民用领域中均具有非常重要的意义,而基于合成孔径雷达（SAR）图像的目标识别技术是其中一个重要研究方向。特征提取是SAR图像目标识别中十分关键的一步,特征提取的好坏直接影响SAR图像目标的识别性能。针对SAR图像目标识别问题,本论文从深度学习与概率模型相结合的角度出发,采用先验分布限制隐特征的空间,并利用快速变分网络增加算法推理效率,构建了一种基于深度概率模型的SAR图像目标识别框架。实验表明,该模型能够提取SAR图像具有鉴别性的多层特征,为后续雷达目标识别提供价值较高的信息。2不同于上述SAR图像目标识别领域中各图像服从独立同分布,很多应用中的数据存在时序特性,因此本论文又针对国际关系领域中多维时序数据的建模与推理展开了研究。对国际关系分析领域中的时序数据建模时,不仅要考虑高维数据的稀疏性和过度分散的时间模式的鲁棒性,还要捕捉数据不同时刻之间和每一个样本时刻内部的复杂依赖性。虽然一些现存的动态模型设计了深层结构捕捉数据的长时依赖,但是各层之间如何联系、影响并不明确。考虑到以上问题,本论文构建了一个深层动态概率模型-深层泊松伽马置信网络。为了推理模型,本论文利用一系列变量增广方法,进一步提出了“向后向上向前向下”吉布斯采样算法,并将模型推广至大数据。最后,在仿真和实测数据上的实验结果不仅表明了所提深层动态概率模型具有良好的预测性能,且能够提供高度可解释的多层结构以表示层次化和时序的信息传播。3除了国际关系分析,现实中很多信息是以文本的形式包含于各个语料库之中,本论文同样研究了基于深层动态模型的文本分析。目前,主题模型和语言模型均广泛应用于文本分析。虽然主题模型所学主题考虑了整篇文档的信息,具有全局语义,但它们通常将每个文档视为词袋（Bo W）,即忽略文档中单词间的顺序。语言模型,例如递归神经网络（RNN）,已经成为各种自然语言处理（NLP）任务的关键组成部分,例如文本总结,语音识别,机器翻译和图像标记等。这些语言模型考虑了句子中单词间的相关性,经常利用递归或注意力单元对单词间的相关性建模。但它们通常认为文档中句子间相互独立,忽略了句子的顺序和文档上下文,无法捕获文档的长期依赖关系和全局语义。针对自然语言生成任务,本论文将深层泊松伽马系统扩展为递归伽玛置信网络（r GBN）,提出了一种由主题模型引导的语言模型,并用r GBN来指导递归神经网络（RNN）生成语言。该模型不仅捕获了句子内单词间的依赖,还捕获了句子间的时序变换和主题依赖,超越了传统基于RNN的语言模型。为了进行推理,我们将随机-梯度MCMC和循环自编码变分贝叶斯相结合。在真实文本语料库上的实验结果表明,该模型不仅能超过目前考虑上下文的RNN语言模型,还能学习可解释的递归多层主题,生成语法正确、语义连贯的句子和段落。4基于HRRP的目标识别技术是雷达目标识别技术的一个重要研究方向。作为一维信号,HRRP数据具有易获取、易处理和易存储等优点,基于HRRP的雷达目标识别研究获得了很多研究人员的高度关注。本论文基于上述深层泊松伽马动态系统,针对HRRP样本距离单元之间存在时序依赖的特点,构建了时序的伽马置信网络,充分利用了模型层次结构的优势,有效地将HRRP数据隐状态层次之间和时刻之间的依赖性结合起来。为了使模型适应于大数据并提高其在测试阶段的效率,本论文提出了一种基于随机-梯度MCMC和时序变分自编码方法（r VAE）混合的贝叶斯推理算法推理模型。为了提取更具可分性的HRRP隐变量,通过利用HRRP样本的类别信息,本论文进一步提出了监督递归伽马置信网络（s-r GBN）,该方法能够对HRRP样本以及其相应的类别联合建模。在仿真数据及实测HRRP数据上的实验表明,所提方法具有良好的识别性能以及泛化能力,同时提供了可解释的多层随机隐变量。
万锦伟[6]（2020）在《基于深度网络的HRRP目标识别与对抗攻击研究》文中进行了进一步梳理随着信息技术的蓬勃发展,人工智能技术正成为推动新一轮军事革命的核心驱动力,在国防领域发挥越来越重要的作用。将人工智能技术与雷达自动目标识别（RATR）技术相融合,增强对来袭目标的探测和预警能力,对提高战场态势的感知具有重要意义。此外,雷达高分辨距离像（HRRP）反映了目标散射中心沿雷达视线的分布情况,包含了目标大量的结构信息,并且具有易获取、易存储、易处理等优点,受到了雷达自动目标识别领域的持续关注。本论文将围绕国家自然科学基金、国防预研等项目,针对雷达高分辨距离像信号,主要从基于深度神经网络的HRRP特征提取（目标识别）及针对HRRP识别系统的对抗攻击两方面开展相关研究。论文研究内容可以概括为以下几个方面:1、为充分挖掘HRRP信号距离单元之间的空间相关性和提取结构化的判别特征,本文提出了一种可同时完成雷达HRRP目标识别和拒判任务的改进的卷积神经网络（CNN）模型。该模型在传统CNN识别网络基础上,增加一个重构网络来实现库外目标拒判功能。通过识别网络和重构网络的融合,使得该模型可同时实现HRRP的识别和拒判任务。此外,由于雷达HRRP信号的相位信息可以提供额外的分类信息,因此在该模型中除了使用常用的HRRP一维时域特征外,还使用HRRP的二维谱图特征用于识别和拒判任务。在实测数据集上的实验结果表明:所提方法无论在识别性能还是拒判性能上均优于传统方法。2、本文探讨了HRRP时频表示对识别结果的影响,并提出了一种具有注意力机制的CNN网络用于HRRP目标识别任务。具体的,为探索HRRP时频表示的影响,文中分别使用了短时傅里叶变换和连续小波变换两种时频变换方法对HRRP信号进行分析并对比了它们在CNN网络中的识别性能。在此基础上,针对在使用HRRP时频表示时需要参数选择的问题,提出了一种具有注意力机制的CNN模型用于HRRP目标识别。该模型通过注意力机制将由CNN从不同HRRP时频表示提取的特征进行自动融合,不仅避免了参数不合适影响识别结果的问题,而且还进一步提高了目标识别的准确率。3、为使深度网络同时具有好的特征提取和抗平移敏感能力,本文提出了一种CNN与双向递归网络（Bi RNN）的混合模型（称为CNN-Bi RNN模型）,用以HRRP目标识别任务。在CNN-Bi RNN模型中,先采用CNN从HRRP信号中提取有用的结构化特征,然后利用双向RNN对所提特征进行时序建模。为进一步提高模型的抗平移敏感能力,在CNN-Bi RNN模型中还引入了注意力机制,使模型所提特征更聚焦在目标区域。CNN-Bi RNN模型结合了CNN和RNN各自的优点,即与单纯的CNN模型相比,CNN-Bi RNN具有时序建模能力,可以缓解HRRP的平移敏感问题;而与直接用RNN对HRRP识别相比,CNN-Bi RNN采用CNN进行特征提取,有效提高了模型的识别率。基于实测数据的实验显示,本模型无论在识别率还是对抗平移敏感方面均具有优势。4、本文对比和分析了几种经典的数字对抗样本生成方法,并提出了一种鲁棒的数字对抗样本生成方法。对抗样本是深度网络的特有产物,研究对抗样本的生成可以达到攻击基于深度网络的目标识别系统的目的。为研究基于深度网络HRRP识别模型中的对抗样本问题,本文分析了几种经典的数字对抗样本生成方法并在实测数据集上进行了攻击性能对比。进一步地,为提高数字对抗样本的鲁棒性与实用性,提出了一种鲁棒的数字对抗样本方法。该方法通过优化的方式产生一个通用的、局部对抗扰动用以网络攻击。相比经典的数字对抗攻击方法,该方法产生的对抗扰动更具实用性,为将来针对实际HRRP目标识别系统的攻击提供基础。
肖恩[7]（2020）在《基于深度学习的SAR车辆目标分类与识别》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）拥有区别于光学传感器和红外传感器的独特优点,在军事和民用领域发挥着举足轻重的作用。经过六十余年的研究和发展,SAR成像技术逐渐趋于成熟,各种背景条件下的高分辨SAR图像数据不断增多,相比于早期的传统SAR图像,高分辨率SAR图像包含更加丰富的背景和细节信息,这给SAR图像目标自动识别技术提供了机会,也提出了更高的挑战。近年来,深度学习在自然图像识别上的表现十分惊艳,其强大的特征提取能力和一体化的处理流程为SAR目标识别技术开辟了新的方向,但是由于成像机制上的根本差异,SAR图像和光学图像存在截然不同的特点,因此需要对深度学习方法做适应性改进。针对传统SAR车辆目标分类识别方法效率低下、识别准确率低的问题,本文研究基于深度学习的SAR车辆目标分类识别方法,包括SAR图像切片的分类和在大场景下的多目标检测识别研究。完成的主要工作和取得的进展如下:1.研究基于传统方法的SAR目标分类识别方法和基于深度学习的SAR目标分类识别方法。首先对传统方法的三个关键步骤进行介绍,并对有关算法原理进行详细的解释;随后对深度学习算法中卷积神经网络的优点进行阐述,从基础结构、关键函数和训练优化方法等方面分别进行了分析。2.针对SAR图像数据量小,容易出现过拟合的问题,提出一种基于融合多尺度残差与密集连接的卷积神经网络（Inception-Residual-Dense Convolutional Neural Network,IRD-CNN）。该网络能有效地结合残差网络、多尺度网络和密集连接网络的优点,从多个方面提升分类模型的性能。基于实测的运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集,设置多组实验,从预防过拟合效果、模型鲁棒性、细节特征提取能力三个方向出发,验证了该方法的有效性。3.针对SAR车辆多目标识别任务中图像背景复杂、目标尺寸小等问题,提出一种基于改进的特征融合单发多盒探测器（Feature Fusion Single Shot Multibox Detector,FSSD）SAR目标检测识别方法。首先,对单发多盒探测器（Single Shot Multibox Detector,SSD）算法的基本原理和特点进行了探讨。相较于经典的一阶段和二阶段算法,SSD能够利用多尺度特征,但是对于小目标的检测识别效果不佳,因此进一步研究了更加适合小目标的FSSD算法。通过对SAR图像特点的进一步分析表明,SAR图像中还存在着数据量小、正负样本不平衡的问题,因此从数据集扩充、难例样本挖掘、迁移学习、锚尺寸调整、软非极大值抑制（Soft-NMS）等五个方面对算法进行改进。随后,基于手工合成的SAR图像数据集,设置多组对比试验,对模型的评价指标平均均值精度进行分析,结果表明所提算法在多个方面均能有效改善模型性能。最后,通过与经典的深度学习算法比较可知,所提方法在SAR图像多目标检测识别中也能达到更好的效果,验证了该方法的有效性。
王力[8]（2020）在《基于深度学习的SAR目标识别关键技术研究》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）是一种宽带高分辨成像雷达,具有全天时、全天候、远作用距离等特点。由于突破了传统雷达单一孔径的限制,能够通过虚拟孔径合成实现高分辨成像,因此SAR能够获得目标形状、结构、散射特性等丰富信息。基于SAR的自动目标识别（Automatic Target Recognition,ATR）,特别是典型军事目标识别技术在战场侦察、态势感知、探测制导等领域发挥着重要作用。与光学图像不同,单极化SAR图像为灰度图并具有很强的各向异性,同时容易受杂波的干扰,从而增加了ATR的难度。传统的SAR ATR方法首先针对SAR图像特点人工提取特征,继而设计分类器进行识别。但是,人工提取特征依靠大量的先验知识且步骤繁琐,不利于SAR ATR的智能化和自动化。近年来,深度学习理论及方法快速发展,并在SAR ATR领域获得了大量成功应用。虽然该类方法具备强大的自动特征提取能力,并不需要大量的专业知识,但仍面临所学特征可分性不强、特征冗余、小样本识别性能迅速下降等难点及关键问题。针对上述问题,论文通过设计有效的深度网络结构,实现典型军事目标SAR图像的准确识别。论文主要内容如下:1.介绍经典的运动和静止目标识别与获取（moving and stationary target acquisition and recognition,MSTAR）数据集,进而给出传统卷积神经网络（Convolutional Neural Network,CNN）的原理、基本结构及训练方法。为减小MSTAR数据集中杂波的高度相关性对识别性能分析的不利影响,提出基于形态学滤波的SAR图像分割算法,实现了SAR目标与背景杂波的有效分离。最终,给出所设计网络结构在不同观测条件下的识别率。2.针对传统CNN结构在SAR ATR任务中泛化性能差、收敛速度慢等问题,提出一种大间隔softmax批规范化处理CNN（large-margin softmax batch-normalization,LM-BN-CNN）结构。该结构在网络最后一层利用大间隔softmax分类器增加不同类别样本间的可分性,同时采用批规范化（batch normalization,BN）处理加快网络收敛速度。实验结果表明,与传统CNN结构相比,LM-BN-CNN在SAR ATR任务中具有更好的识别精度和泛化性能。3.针对传统CNN所提取的特征通常包含冗余信息,从而干扰分类器,降低网络识别率的问题,提出强化压缩激励网络（enhanced squeeze and excitation network,ESENet）结构。ESENet借助注意力机制对CNN中包含重要信息的特征进行增强,同时抑制包含较少信息的冗余特征。在MSTAR数据集上的实验结果表明,与传统应用于SAR ATR的CNN结构相比,ESENet能够自动从图像中提取更有效的特征,从而提高识别性能。4.针对现有基于深度学习的SAR ATR算法需要大量训练数据,在训练样本不足时性能严重下降的问题,提出适用于小样本SAR ATR的卷积-双向长短时原型网络（Conv-Bi LSTM Prototypical Network,CBLPN）。该网络根据小样本学习（Few-shot Learning,FSL）理论,有效降低识别算法对待分类目标训练样本数的要求。CBLPN的识别过程包括两个阶段:第一阶段训练嵌入网络,从而将SAR图像从原始空间映射到便于分类的嵌入空间;第二阶段采用欧几里得距离分类器对嵌入空间中的样本进行分类。MSTAR三类目标识别结果表明,CBLPN只需几张训练样本就能获得较高识别率。5.现有基于深度学习的SAR ATR算法大都采用基于归纳推理的分类器,即依赖训练样本和测试样本之间的相似度进行分类。针对小样本SAR ATR待识别目标训练样本数量有限,基于归纳推理的分类器识别率不高等问题,将归纳推理和转导推理结合,提出混合推理的分类策略,并设计混合推断网络（hybrid inference network,HIN）。该网络分类器包含归纳推理和转导推理两个部分。在归纳推理部分,根据欧几里得距离对每个样本进行独立分类。在转导推理部分,将所有测试样本当做一个整体,进而根据其流形结构使用标签传播算法进行分类。最终,对两种分类方法的结果进行综合以得到混合推断识别结果。同时,提出新的增强混合损失函数以增加样本间的可分性,进而实现网络权值的有效训练。MSTAR数据实验结果表明,HIN有效提高了小样本条件下SAR目标的识别率和稳定性。
邓文博[9]（2020）在《基于小样本迁移学习的合成孔径雷达目标识别方法研究》文中研究指明图像识别技术是当前研究的重点,有助于辅助理解人工智能基础技术。其中,合成孔径雷达（Synthetic Aperture Radar,SAR）图像广泛应用于城市监测、自然环境调查、军事目标侦察等各个领域。根据合成孔径雷达图像的成像特点,目前,基于SAR目标识别识别方法主要存在以下几个难点。一是有效的模型设计,体现在目标函数和代价函数的设计、超高维参数优化;二是模型泛化性能评估,如样本不足导致的模型过拟合问题以及整体模型的泛化能力;三是针对小样本问题,强判别能力特征的获取,原生特征的研究以及小样本数据下对模型性能的评估。本文引入小样本迁移学习,结合深度学习框架,针对小样本SAR目标识别任务,展开研究。主要研究问题概括如下:（1）基于训练数据不足引起的过拟合和小样本问题,本文结合深度学习方法,研究并提出数据扩增技术的轻量级合成孔径雷达图像识别方法。该方法提出的数据扩增技术,采用质心法获取SAR图像感兴趣区域（Region of Interest,ROI）,通过逐度（Clock-wise）旋转技术满足深度学习样本训练要求,避免网络训练过程中过度拟合问题,并克服SAR图像数据不足的缺点;同时,本文设计的模型结构轻巧、简单,与传统的复杂网络模型相比,精度大大提高,设备存储需求减少,计算冗余降低。最后,探索不同激活函数在网络中的作用,丰富网络结构;研究不同样本数对深度学习网络性能的影响,并在公开数据集上取得比较好的性能。（2）受限于SAR数据训练样本挑战,提出一种联合正则化和迁移MS-CNN（Max-Slice Convolutional Neural Networks,MS-CNN）网络框架,采用ROI特征提取和数据扩增相结合的方法,对感兴趣SAR图像区域进行预处理,增强原始训练样本丰富性,获取准确感兴趣图像区域,有效扩展样本训练数据集。其次,结合MS-CNN框架,采用L2正则化策略提取鲁棒性SAR图像特征,借鉴Dropout策略,解决深度学习训练产生的过拟合问题。最后,引入迁移学习理论,举一反三,提高SAR图像特征识别率,并对模型鲁棒性进行评估。该方法在公开数据集MSTAR和自建小样本数据集数据（1/2,1/3,1/4,1/8）库上取得较高的识别准确率,性能优于其它卷积神经网络模型。（3）针对SAR自动目标识别任务中小样本问题,提出基于特征迁移的双重优化损失的多级特征融合注意力网络（MFFA-SARNET）。首先,建立多级特征注意网络（MFFA）,通过融合方法从SAR图像中获取更多的图像特征,采用注意力模块更多关注目标特征,减轻背景噪声对目标图像影响。其次,引入双重优化损失函数,进一步优化分类网络,提升特征鲁棒性和判别力。最后,利用迁移学习对变体和小样本分类任务进行验证评估。在不同配置的MSTAR数据库上,大量实验一致表明该网络的有效性和稳定性;在小样本条件下,模型也取得较好识别性能。
任硕良[10]（2020）在《基于卷积神经网络和迁移学习的SAR目标识别》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）有以下独有特点:全天候、宽波段、全天时以及主动成像,在国土以及军事安全领域有着广泛的发展前景。但是由于SAR图像目标很难用肉眼进行人工判别,所以采用已有技术对SAR图像目标进行自动识别是必要的。SAR图像目标识别的主要重点和难点在SAR图像的预处理以及SAR图像特征提取方面。本文主要讨论和研究了 SAR目标自动识别结合迁移学习以及卷积神经网络算法。本文首先分析了 SAR 图像自动识别算法（Synthetic Aperture Radar-Automatic Target Recognition,SAR-ATR）的基本概念以及结构组成,同时介绍SAR图像特性,针对SAR图像成像过程中无法避免的相干斑点噪声去噪处理,对常用的去噪算法进行分析对比并实验。讨论SAR图像自动动识别的三个模块:数据集预处理、特征提取以及分类识别。为后续工作做好理论基础。其次,研究了卷积神经网络识别SAR图像算法,利用卷积神经网络VGG16网络结构识别经过数据增强的SAR图像目标并实验对比小波变换以及Lee滤波两种预处理方法的优劣。最后实验结果表明经过数据集去噪预处理在识别率以及损失率方面均有明显的提升,并且Lee滤波预处理方法保留更多的轮廓信息在识别率以及损失率方面都优于小波预处理方法。最后,在SAR目标特征提取中,利用迁移学习迁移预训练网络模型。经过迁移VGG16与卷积神经网络实验对比,迁移网络结构可以在保证识别准确率的条件下,提高卷积神经网络的识别效率。为确定预训练网络结构选用方案,对迁移VGG16网络与迁移ResNet网络进行了仿真论证。ResNet网络因其更深的网络层数,可比VGG16网络更好地解决梯度消失问题,所以本文算法采用迁移ResNet网络进行SAR目标识别。实验结果表明,迁移ResNet网络获得了相比迁移VGG16更高的识别准确率。
二、SAR自动目标识别及相关技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、SAR自动目标识别及相关技术研究（论文提纲范文）
（1）基于深度学习的SAR图像目标识别与分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR技术发展 |
| 1.2.2 SAR图像研究 |
| 1.3 研究内容及目标 |
| 1.4 论文组织结构 |
| 第二章 基于SAR图像的特征提取和图像识别 |
| 2.1 SAR模型与成像特征 |
| 2.1.1 SAR概述 |
| 2.1.2 SAR成像原理 |
| 2.2 SAR检测和识别系统 |
| 2.3 SAR目标识别 |
| 2.3.1 SAR图像预处理 |
| 2.3.2 特征设计与提取 |
| 2.3.3 目标识别 |
| 2.4 特征提取与分类 |
| 2.4.1 SIFT算法 |
| 2.4.2 使用GGF进行斑点检测 |
| 2.4.3 使用GGF进行角检测 |
| 2.4.4 图像特征匹配 |
| 2.5 实验结果及分析 |
| 2.5.1 斑点噪声误差对比分析 |
| 2.5.2 图像配准分析 |
| 2.5.3 性能对比分析 |
| 2.6 本章小结 |
| 第三章 基于改进CNN的SAR目标识别方法 |
| 3.1 改进的卷积神经网络算法 |
| 3.1.1 卷积神经网络组成结构 |
| 3.1.2 改进的CNN算法 |
| 3.2 改进CNN算法关键函数 |
| 3.2.1 网络拓扑 |
| 3.2.2 输入层 |
| 3.2.3 隐藏层 |
| 3.2.4 目标函数 |
| 3.3 实验结果及分析 |
| 3.3.1 实验分析 |
| 3.3.2 可靠性分析 |
| 3.4 本章小结 |
| 第四章 基于改进Faster R-CNN的SAR目标识别与分类 |
| 4.1 Faster R-CNN及改进 |
| 4.1.1 Faster-R-CNN |
| 4.1.2 区域划分网络 |
| 4.1.3 RPN |
| 4.1.4 RoI Align |
| 4.2 SAR图像检测识别 |
| 4.2.1 预筛 |
| 4.2.2 鉴别器 |
| 4.2.3 分类器 |
| 4.3 实验结果及分析 |
| 4.3.1 置信度对比分析 |
| 4.3.2 检测结果对比分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（2）目标识别中的增量学习方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状与存在问题 |
| 1.2.1 国内外研究现状 |
| 1.2.2 存在问题 |
| 1.3 论文主要内容和安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 内容安排 |
| 第二章 目标增量特征提取与模型更新方法研究 |
| 2.1 引言 |
| 2.2 基于广义稀疏约束的增量非负矩阵分解方法 |
| 2.2.1 非负矩阵分解 |
| 2.2.2 增量非负矩阵分解 |
| 2.2.3 基于L_P范数约束的增量非负矩阵分解 |
| 2.3 算法描述与增量学习场景介绍 |
| 2.4 实验验证与结果分析 |
| 2.4.1 数据介绍 |
| 2.4.2 实验设置 |
| 2.4.3 模型更新效率验证 |
| 2.4.4 矩阵分解精度验证 |
| 2.4.5 识别性能验证 |
| 2.5 本章小结 |
| 第三章 目标关键样例选择与增量样本优选方法研究 |
| 3.1 引言 |
| 3.2 基于类边界样例选择的增量学习方法 |
| 3.2.1 类间模式划分 |
| 3.2.2 边界样例选择 |
| 3.2.3 基于边界样本的数据分布重构 |
| 3.3 算法描述与增量学习场景介绍 |
| 3.4 实验验证与结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 基于样例选择的识别性能验证 |
| 3.4.3 基于样例选择的类别增量学习性能验证 |
| 3.5 本章小结 |
| 第四章 基于开集识别的新类目标辨识方法研究 |
| 4.1 引言 |
| 4.2 开集识别风险函数分析 |
| 4.3 基于一分类器的开集识别方法 |
| 4.4 基于极值理论的开集增量学习方法 |
| 4.4.1 包含概率衰减模型 |
| 4.4.2 基于极值理论的开集分类器设计 |
| 4.4.3 基于类间极值距离的开集增量学习方法 |
| 4.5 算法描述与增量学习场景介绍 |
| 4.6 实验验证与结果分析 |
| 4.6.1 实验设置 |
| 4.6.2 多类开集识别性能验证 |
| 4.6.3 开集类别增量学习性能验证 |
| 4.7 本章小结 |
| 第五章 无标签样本标注与更新价值评估方法研究 |
| 5.1 引言 |
| 5.2 基于分布可靠性评估的增量学习方法 |
| 5.2.1 “分布内”可靠性评估 |
| 5.2.2 分类可靠性评估 |
| 5.2.3 基于分布驱动的更新机制 |
| 5.3 算法描述与增量学习场景介绍 |
| 5.4 实验验证与结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 可靠性得分排序性能验证 |
| 5.4.3 扩展条件实验验证 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）合成孔径雷达图像目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 SAR图像目标识别关键技术综述 |
| 1.2.1 常用目标特征提取 |
| 1.2.2 常用目标分类方法 |
| 1.3 论文主要研究内容及章节安排 |
| 第2章 基于复数二维经验模态分解的SAR图像目标识别 |
| 2.1 引言 |
| 2.2 经验模态分解基本原理 |
| 2.2.1 一维经验模态分解(EMD)基本原理 |
| 2.2.2 二维经验模态分解(BEMD)基本原理 |
| 2.2.3 复数二维经验模态分解(C-BEMD)算法 |
| 2.3 联合原始图像和多层次内蕴模函数的识别方法 |
| 2.3.1 联合稀疏表示 |
| 2.3.2 目标识别流程 |
| 2.4 实验与分析 |
| 2.4.1 实验设置 |
| 2.4.2 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 基于二维压缩感知多投影矩阵的SAR图像目标识别 |
| 3.1 引言 |
| 3.2 压缩感知理论 |
| 2.2.1 信号的稀疏表示 |
| 2.2.2 测量矩阵 |
| 2.2.3 信号重构 |
| 3.3 基于压缩感知的SAR图像目标识别算法原理 |
| 3.3.1 算法原理 |
| 3.3.2 字典构建方法 |
| 3.3.3 基于稀疏解的目标分类 |
| 3.4 基于多投影矩阵二维压缩感知的SAR图像目标识别 |
| 3.4.1 随机投影 |
| 3.4.2 基于多投影矩阵的目标特征提取 |
| 3.4.3 联合稀疏表示 |
| 3.4.4 目标识别流程 |
| 3.5 实验与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于MCCA深度特征融合的SAR图像目标识别 |
| 4.1 引言 |
| 4.2 基于CNN的 SAR图像深度特征学习 |
| 4.2.1 CNN理论基础 |
| 4.2.2 基于CNN的深度特征提取 |
| 4.3 基于MCCA深度特征融合的SAR图像目标识别 |
| 4.3.1 典型相关分析(CCA)理论 |
| 4.3.2 基于多重集典型相关(MCCA)的深度特征融合 |
| 4.3.3 基于MCCA深度特征融合的目标识别 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于BMED和极限学习机的SAR图像目标识别 |
| 5.1 引言 |
| 5.2 极限学习机理论 |
| 5.2.1 极限学习机理论基础 |
| 5.2.2 极限学习机网络构造方式 |
| 5.3 变长型增量极限学习机算法 |
| 5.3.1 增量算法 |
| 5.3.2 增量型极限学习机算法 |
| 5.3.3 变长型增量（VI-ELM）极限学习机算法 |
| 5.4 基于BEMD和极限学习机的SAR图像目标识别 |
| 5.4.1 基于BEMD的 SAR图像特征提取 |
| 5.4.2 目标识别流程 |
| 5.5 实验与分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 :作者攻读博士学位期间的科研成果 |
（4）基于联合稀疏表示和深度学习的SAR图像目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 合成孔径雷达发展历史 |
| 1.3 SAR图像基本特性 |
| 1.4 SAR图像目标识别研究现状 |
| 1.4.1 SAR图像目标检测 |
| 1.4.2 SAR图像目标鉴别 |
| 1.4.3 SAR图像目标识别 |
| 1.5 研究内容以及结构安排 |
| 第二章 SAR目标识别的相关知识 |
| 2.1 引言 |
| 2.2 降维和特征提取方法 |
| 2.2.1 主成分分析 |
| 2.2.2 线性判别分析 |
| 2.3 分类算法 |
| 2.3.1 K近邻算法 |
| 2.3.2 支持向量机分类器 |
| 2.3.3 联合稀疏表示分类器 |
| 2.4 聚类算法 |
| 2.4.1 K-均值聚类算法 |
| 2.4.2 模糊C-均值聚类算法 |
| 2.5 深度学习相关知识 |
| 2.5.1 卷积神经网络 |
| 2.5.2 残差网络结构 |
| 2.5.3 稠密网络结构 |
| 第三章 基于多任务压缩感知的SAR目标识别方法 |
| 3.1 引言 |
| 3.2 互补特征提取 |
| 3.2.1 主成分分析方法 |
| 3.2.2 椭圆傅里叶描述子 |
| 3.2.3 方位敏感度图 |
| 3.3 基于联合互补特征的目标识别方法 |
| 3.3.1 多任务压缩感知 |
| 3.3.2 目标识别 |
| 3.4 实验 |
| 3.4.1 MSTAR数据集和实验设置 |
| 3.4.2 在SOC下的实验结果 |
| 3.4.3 在EOCs下的实验结果 |
| 3.5 本章小结 |
| 第四章 多级主散射图像联合稀疏表示的SAR目标识别方法 |
| 4.1 引言 |
| 4.2 多级DSIs的生成 |
| 4.3 基于SRC的可靠性水平 |
| 4.4 多级DSIs的联合稀疏表示的识别方法 |
| 4.4.1 联合稀疏表示 |
| 4.4.2 识别方法的步骤 |
| 4.5 实验 |
| 4.5.1 在SOC下实验结果 |
| 4.5.2 在EOCs下的实验结果 |
| 4.6 本章小结 |
| 第五章 可靠性分析在基于决策融合SAR图像目标识别中的应用 |
| 5.1 引言 |
| 5.2 决策可靠性分析 |
| 5.3 决策可靠性分析在SAR决策融合中的应用 |
| 5.3.1 贝叶斯决策融合 |
| 5.3.2 目标识别流程 |
| 5.4 实验结果与分析 |
| 5.4.1 多特征决策融合 |
| 5.4.2 多分类器决策融合 |
| 5.4.3 可靠性门限的影响 |
| 5.5 本章小结 |
| 第六章 基于稠密残差结构的SAR目标识别深度学习算法 |
| 6.1 引言 |
| 6.2 深度学习应用于SAR目标识别中存在的问题 |
| 6.2.1 适当的网络模型结构仍处于探索阶段 |
| 6.2.2 缺乏大量可用的训练数据 |
| 6.3 基于稠密残差结构的深度学习模型 |
| 6.3.1 数据集增强 |
| 6.3.2 稠密残差结构 |
| 6.3.3 全连接层与Softmax函数 |
| 6.3.4 代价函数和反向传播算法 |
| 6.4 基于稠密残差结构的深度学习算法的性能评估 |
| 6.4.1 实验设置和数据集 |
| 6.4.2 在SOC下的识别性能 |
| 6.4.3 在EOC下的识别性能 |
| 6.5 本章小结 |
| 第七章 总结 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的主要研究成果 |
| 致谢 |
（5）深层动态概率模型的构建、推理与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 基于神经网络的动态模型 |
| 1.1.2 基于概率框架的动态模型 |
| 1.2 国内外研究现状 |
| 1.2.1 动态模型的研究现状及分析 |
| 1.2.2 概率统计模型推理方法的研究现状及分析 |
| 1.2.3 自然语言生成模型的研究现状及分析 |
| 1.2.4 雷达自动目标识别的研究现状及分析 |
| 1.3 研究内容安排 |
| 第二章 基于监督深度概率模型的SAR图像目标识别 |
| 2.1 引言 |
| 2.2 深层变分自编码模型 |
| 2.2.1 深层概率生成模型 |
| 2.2.2 量化SAR图像 |
| 2.2.3 推理模型 |
| 2.3 监督深度概率模型 |
| 2.3.1 监督深层变分自编码模型 |
| 2.3.2 欧式距离监督变分自编码模型 |
| 2.4 实验 |
| 2.4.1 MSTAR数据集 |
| 2.4.2 实验设置 |
| 2.4.3 识别性能 |
| 2.4.4 模型分析 |
| 2.5 总结 |
| 第三章 深层泊松伽马动态系统 |
| 3.1 引言 |
| 3.2 深层泊松伽马动态系统 |
| 3.3 可扩展的马尔科夫链蒙特卡洛采样 |
| 3.3.1 隐变量增广 |
| 3.3.2 向后向上向前向下吉布斯采样 |
| 3.3.3 随机梯度马尔科夫链蒙特卡洛采样推理算法 |
| 3.4 实验结果 |
| 3.4.1 仿真数据集 |
| 3.4.2 实测数据集 |
| 3.4.3 定量比较 |
| 3.4.4 定性分析 |
| 3.5 总结 |
| 第四章 基于深层动态主题指导的自然语言模型 |
| 4.1 引言 |
| 4.2 时序层次主题引导的语言模型 |
| 4.2.1 层次循环主题模型 |
| 4.2.2 语言模型 |
| 4.2.3 模型似然和推理 |
| 4.3 实验结果 |
| 4.3.1 数据集 |
| 4.3.2 模型复杂度 |
| 4.3.3 定量比较 |
| 4.3.4 定性分析 |
| 4.4 总结与展望 |
| 第五章 基于变分时序深层模型的HRRP自动目标识别 |
| 5.1 引言 |
| 5.2 基础知识 |
| 5.2.1 HRRP数据的描述 |
| 5.2.2 输入数据 |
| 5.2.3 隐马尔科夫模型(HMM) |
| 5.2.4 线性动态系统(LDS) |
| 5.2.5 循环神经网络(RNN) |
| 5.3 变分时序深层生成模型 |
| 5.3.1 生成模型 |
| 5.3.2 混合推理算法 |
| 5.4 监督变分时序深度生成模型 |
| 5.5 实验结果 |
| 5.5.1 仿真数据的结果 |
| 5.5.2 实测HRRP数据集 |
| 5.5.3 设置 |
| 5.5.4 模型参数的影响 |
| 5.5.5 识别性能 |
| 5.5.6 定性分析 |
| 5.5.7 对训练数据大小的鲁棒性 |
| 5.5.8 计算复杂度 |
| 5.6 总结与展望 |
| 第六章 结束语 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于深度网络的HRRP目标识别与对抗攻击研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 雷达自动目标识别概述 |
| 1.2 雷达自动目标识别基本概念及分类 |
| 1.3 雷达自动目标识别技术发展概述 |
| 1.3.1 雷达HRRP目标识别技术的发展 |
| 1.3.2 基于深度学习的HRRP目标识别技术的发展 |
| 1.4 深度神经网络中的攻击与防御 |
| 1.4.1 对抗样本技术与网络防御技术 |
| 1.5 高分辨距离像及其特性分析 |
| 1.5.1 高分辨距离像的信号模型 |
| 1.5.2 高分辨距离像的特性分析 |
| 1.6 实验数据、平台及评价指标说明 |
| 1.6.1 实测三类飞机数据 |
| 1.6.2 实验平台介绍 |
| 1.6.3 评价指标说明 |
| 1.7 论文内容安排 |
| 第二章 基于卷积神经网络的HRRP目标识别与拒判 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 一个典型的CNN网络 |
| 2.2.2 高分辨距离像的谱图特征表示 |
| 2.3 基于CNN的HRRP目标识别与拒判 |
| 2.3.1 基于CNN的HRRP识别 |
| 2.3.2 基于CNN的HRRP识别与拒判 |
| 2.4 实验结果与分析 |
| 2.4.1 实验设置 |
| 2.4.2 模型参数的影响 |
| 2.4.3 识别性能对比 |
| 2.4.4 特征可视化 |
| 2.4.5 拒判性能比较 |
| 2.5 本章小结 |
| 第三章 基于注意力机制卷积网络的HRRP目标识别 |
| 3.1 引言 |
| 3.2 基于时频分析的HRRP目标识别 |
| 3.2.1 高分辨距离像的连续小波变换(CWT) |
| 3.2.2 识别性能对比与分析 |
| 3.3 基于多时频特征融合的目标识别技术 |
| 3.3.1 注意力机制 |
| 3.3.2 具有注意力机制的CNN网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 识别性能比较 |
| 3.4.3 注意力权值可视化 |
| 3.5 本章小结 |
| 第四章 基于卷积-双向递归网络的HRRP目标识别 |
| 4.1 引言 |
| 4.2 基于CNN-BiRNN混合模型的HRRP识别 |
| 4.2.1 循环神经网络(RNN) |
| 4.2.2 CNN-BiRNN 网络 |
| 4.2.3 网络训练与测试过程 |
| 4.3 模型对比 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 卷积层的影响 |
| 4.4.3 识别性能比较 |
| 4.4.4 注意力权值可视化 |
| 4.5 本章小结 |
| 第五章 雷达HRRP目标识别网络中的对抗攻击方法 |
| 5.1 引言 |
| 5.2 雷达HRRP中的经典数字对抗样本 |
| 5.2.1 经典的数字对抗样本生成方法 |
| 5.2.2 攻击结果展示 |
| 5.3 一种鲁棒的HRRP数字对抗样本生成方法 |
| 5.3.1 鲁棒的HRRP对抗样本生成方法 |
| 5.3.2 方法对比 |
| 5.3.3 实验设置 |
| 5.3.4 对抗扰动长度的影响 |
| 5.3.5 攻击结果展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 6.2.1 高分辨距离像目标识别工作展望 |
| 6.2.2 高分辨距离像对抗攻击和防御工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于深度学习的SAR车辆目标分类与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状和发展趋势 |
| 1.2.1 SAR-ATR研究现状和发展趋势 |
| 1.2.2 深度学习研究现状和发展趋势 |
| 1.3 论文结构安排 |
| 第二章 SAR目标识别与深度学习理论 |
| 2.1 引言 |
| 2.2 传统SAR目标识别技术 |
| 2.2.1 数据预处理 |
| 2.2.2 特征提取 |
| 2.2.3 分类器设计 |
| 2.3 深度学习理论基础 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 卷积神经网络训练方法 |
| 2.4 本章小结 |
| 第三章 基于IRD-CNN的SAR图像目标分类 |
| 3.1 引言 |
| 3.2 基于IRD-CNN的SAR图像目标分类 |
| 3.2.1 多尺度特征提取原理 |
| 3.2.2 残差结构原理 |
| 3.2.3 密集连接原理 |
| 3.2.4 IRD-CNN网络结构 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据准备 |
| 3.3.2 实验环境与参数 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于改进FSSD的SAR目标识别方法 |
| 4.1 引言 |
| 4.2 SSD目标检测识别算法原理 |
| 4.2.1 SSD整体框架 |
| 4.2.2 特征提取模块 |
| 4.2.3 检测识别模块 |
| 4.3 基于改进FSSD的SAR图像目标识别方法 |
| 4.3.1 SAR目标检测识别难点分析 |
| 4.3.2 FSSD网络结构框架 |
| 4.3.3 基于改进FSSD算法思路及创新点 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据准备 |
| 4.4.2 实验环境与参数 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于深度学习的SAR目标识别关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 SAR ATR研究现状 |
| 1.2.2 深度学习概述 |
| 1.2.3 基于深度学习的SAR ATR |
| 1.2.4 关键问题和难点 |
| 1.3 本文的研究内容与章节安排 |
| 第二章 基于CNN的SAR目标识别 |
| 2.1 引言 |
| 2.2 MSTAR数据集 |
| 2.3 基于CNN的SAR自动目标识别 |
| 2.3.1 深度神经网络 |
| 2.3.2 卷积神经网络 |
| 2.3.3 Dropout正则化技术 |
| 2.3.4 随机梯度下降法 |
| 2.3.5 网络结构 |
| 2.4 杂波对CNN的影响 |
| 2.5 基于形态学的SAR图像分割方法 |
| 2.6 识别结果 |
| 2.7 本章小结 |
| 第三章 基于LM-BN-CNN的SAR目标识别方法 |
| 3.1 引言 |
| 3.2 基于LM-BN-CNN的SAR自动目标识别 |
| 3.2.1 LM-BN-CNN的结构 |
| 3.2.2 批规范化 |
| 3.2.3 LM-softmax分类器 |
| 3.3 实验结果分析 |
| 3.3.1 参数设置和训练方法 |
| 3.3.2 SOC分类结果 |
| 3.3.3 EOC1 分类结果 |
| 3.3.4 EOC2 分类结果 |
| 3.4 本章小结 |
| 第四章 基于ESENet的SAR目标识别方法 |
| 4.1 引言 |
| 4.2 注意力机制和SE模块 |
| 4.3 基于ESENet的SAR自动目标识别 |
| 4.3.1 ESENet的结构 |
| 4.3.2 Enhanced-SE模块 |
| 4.3.3 ESENet中的其他结构 |
| 4.3.4 参数设置和训练方法 |
| 4.4 实验结果分析 |
| 4.4.1 SOC分类结果 |
| 4.4.2 EOC1 分类结果 |
| 4.4.3 EOC2 分类结果 |
| 4.5 本章小结 |
| 第五章 基于CBLPN的小样本SAR目标识别 |
| 5.1 引言 |
| 5.2 小样本学习 |
| 5.3 循环神经网络 |
| 5.4 基于CBLPN的小样本SAR目标识别 |
| 5.4.1 Conv-Bi LSTM Network |
| 5.4.2 基于欧几里得距离的分类器 |
| 5.5 CBLPN训练方法 |
| 5.5.1 欧几里得距离分类器中的反向传播 |
| 5.5.2 Bi LSTM网络中的反向传播 |
| 5.5.3 随机采样权值更新 |
| 5.6 实验结果分析 |
| 5.6.1 数据集 |
| 5.6.2 分类结果 |
| 5.6.3 CBLPN和传统SAR ATR方法对比 |
| 5.6.4 CBLPN的有效性 |
| 5.6.5 支撑集对识别的影响 |
| 5.7 本章小结 |
| 第六章 基于HIN的小样本SAR目标识别 |
| 6.1 引言 |
| 6.2 归纳推理和转导推理 |
| 6.3 基于HIN的小样本SAR目标识别 |
| 6.3.1 数据生成 |
| 6.3.2 嵌入网络 |
| 6.3.3 基于欧几里得距离分类器的归纳推理 |
| 6.3.4 基于标签传播的转导推理 |
| 6.3.5 混合推理 |
| 6.3.6 增强混合损失函数 |
| 6.4 实验结果分析 |
| 6.4.1 分类结果 |
| 6.4.2 HIN和传统SAR ATR方法对比 |
| 6.4.3 增强混合损失函数的有效性 |
| 6.4.4 混合推理的优势 |
| 6.5 本章小结 |
| 第七章 结束语 |
| 7.1 本文内容总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于小样本迁移学习的合成孔径雷达目标识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景和意义 |
| 1.3 SAR目标识别过程 |
| 1.4 基于SAR目标识别的国内外研究现状 |
| 1.4.1 基于传统方法的SAR目标识别国内外研究现状 |
| 1.4.2 基于深度学习的SAR目标识别国内外研究现状 |
| 1.4.3 基于迁移学习的SAR目标识别国内外研究现状 |
| 1.5 本文主要内容与安排 |
| 2 深度学习和迁移学习相关理论 |
| 2.1 深度卷积网络概述 |
| 2.2 迁移学习概述 |
| 2.3 本章小结 |
| 3 基于轻量级SARNET小样本目标识别 |
| 3.1 引言 |
| 3.2 基于小样本问题轻量级SARNET网络结构 |
| 3.3 合成孔径雷达目标预处理 |
| 3.3.1 感兴趣区域定位 |
| 3.3.2 顺时角度数据扩增 |
| 3.4 性能评估 |
| 3.4.1 数据库配置和参数初始化 |
| 3.4.2 训练迭代性能 |
| 3.4.3 激活函数性能研究 |
| 3.4.4 逐角度数据扩增性能评估 |
| 3.4.5 基于小样本技术方法对比 |
| 3.4.6 与主流SAR目标识别方法对比 |
| 3.5 本章小结 |
| 4 联合正则化和迁移MS-CNN网络SAR目标图像识别 |
| 4.1 引言 |
| 4.2 联合正则化和迁移学习的MS-CNN网络结构 |
| 4.3 SAR数据预处理 |
| 4.4 Max-slice 特征优化模块 |
| 4.5 网络优化训练 |
| 4.5.1 L2正则化分类器训练策略 |
| 4.5.2 Dropout策略 |
| 4.6 迁移学习 |
| 4.7 实验结果与分析 |
| 4.7.1 数据集配置 |
| 4.7.2 训练配置及性能 |
| 4.7.3 MS模块设计性能 |
| 4.7.4 图像预处理性能 |
| 4.7.5 激活函数性能 |
| 4.7.6 优化策略性能 |
| 4.7.7 模型泛化性和稳定性能 |
| 4.7.8 性能对比 |
| 4.8 本章小结 |
| 5 基于多级特征注意力SARNET小样本目标识别 |
| 5.1 引言 |
| 5.2 MFFA-SARNET网络结构 |
| 5.3 多层次特征注意力机制 |
| 5.3.1 多层次特征提取与融合 |
| 5.3.2 关注机制网络 |
| 5.4 双重优化损失函数 |
| 5.5 基于多层次特征融合的迁移学习 |
| 5.6 实验结果与分析 |
| 5.6.1 MSATR数据集与训练参数配置 |
| 5.6.2 注意力模块性能评估 |
| 5.6.3 激活函数对比研究 |
| 5.6.4 双重优化函数性能评估 |
| 5.6.5 特征融合性能评估 |
| 5.6.6 SOC和 EOC配置性能评估 |
| 5.6.7 基于多层次特征融合的迁移学习性能评估 |
| 5.6.8 基于小样本数据集的性能评估 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
（10）基于卷积神经网络和迁移学习的SAR目标识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景介绍 |
| 1.2 国内外研究现状 |
| 1.2.1 卷积神经网络和迁移学习历史与现状 |
| 1.2.2 SAR目标识别的历史与现状 |
| 1.3 本文主要工作 |
| 2 SAR图像的目标识别 |
| 2.1 数据预处理 |
| 2.1.1 SAR图像特性 |
| 2.1.2 SAR图像相干斑点噪声 |
| 2.1.3 SAR图像去噪 |
| 2.2 特征提取 |
| 2.3 识别分类 |
| 2.3.1 无监督分类 |
| 2.3.2 有监督分类 |
| 2.4 本章小结 |
| 3 卷积神经网络与SAR目标识别 |
| 3.1 卷积神经网络结构 |
| 3.1.1 卷积层 |
| 3.1.2 激励函数 |
| 3.1.3 池化层 |
| 3.2 卷积神经网络训练过程 |
| 3.2.1 前向传播 |
| 3.2.2 反向传播 |
| 3.3 分类识别 |
| 3.4 VGG16网络结构识别SAR目标 |
| 3.4.1 VGG16网络结构 |
| 3.4.2 数据增强 |
| 3.5 VGG16网络结构识别SAR目标实验 |
| 3.5.1 实验数据集介绍 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 4 微调迁移卷积神经网络与SAR目标识别 |
| 4.1 迁移学习理论 |
| 4.1.1 迁移学习基本概念 |
| 4.1.2 迁移学习基本方法 |
| 4.1.3 卷积神经网络的迁移分析 |
| 4.2 微调迁移VGG16网络结构识别SAR目标 |
| 4.2.1 微调迁移VGG16识别SAR目标结构 |
| 4.2.2 预训练微调VGG16网络结构 |
| 4.2.3 实验及结果分析 |
| 4.3 微调迁移ResNet网络识别SAR目标 |
| 4.3.1 微调迁移ResNet识别SAR目标 |
| 4.3.2 预训练微调ResNet网络结构 |
| 4.3.3 实验及结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、SAR自动目标识别及相关技术研究（论文参考文献）
- [1]基于深度学习的SAR图像目标识别与分类[D]. 陈琳. 山东大学, 2021(11)
- [2]目标识别中的增量学习方法研究[D]. 党思航. 电子科技大学, 2021(01)
- [3]合成孔径雷达图像目标识别方法研究[D]. 刘志超. 江南大学, 2020(04)
- [4]基于联合稀疏表示和深度学习的SAR图像目标识别方法研究[D]. 靳黎忠. 太原理工大学, 2020(01)
- [5]深层动态概率模型的构建、推理与应用研究[D]. 郭丹丹. 西安电子科技大学, 2020(05)
- [6]基于深度网络的HRRP目标识别与对抗攻击研究[D]. 万锦伟. 西安电子科技大学, 2020(05)
- [7]基于深度学习的SAR车辆目标分类与识别[D]. 肖恩. 西安电子科技大学, 2020(05)
- [8]基于深度学习的SAR目标识别关键技术研究[D]. 王力. 西安电子科技大学, 2020(05)
- [9]基于小样本迁移学习的合成孔径雷达目标识别方法研究[D]. 邓文博. 五邑大学, 2020
- [10]基于卷积神经网络和迁移学习的SAR目标识别[D]. 任硕良. 大连海事大学, 2020(01)