The invention discloses a joint SAR target recognition method based on convolution feature extraction and machine learning, reading SAR original image data set and preprocessing; using convolution transform to extract the feature of SAR image. Convolution layer uses convolution kernel to calculate convolution through sliding window on the input layer and then get more output by activating function. A feature graph, each feature graph is also composed of multiple graph convolutions. The subsampling layer is subsampled on the upper layer, reduces the size of the feature graph, and finally generates 1 rows and 128 columns of characteristic values; the eigenvalues are used for softmax regression, support vector machines, and K proximity training classification models, and the unknown category maps are predicted. Like the category, the final prediction results are obtained through the comprehensive processing of the prediction results of three classifiers. The invention combines three machine learning methods, and has high recognition accuracy and strong robustness.
【技术实现步骤摘要】
基于卷积特征提取和机器学习的联合SAR目标识别方法
本专利技术属于雷达
,涉及基于卷积特征提取和机器学习的联合SAR目标识别方法。
技术介绍
合成孔径雷达可以全天候在各种天气环境下工作,因而在军事防御、资源探测、灾难预警和救援等方面得到广泛的应用。随着越来多高精度SAR投入使用,并且原始SAR信号具有大量噪声,这使得使用人工识别目标变得越来越困难。已有的利用主成成分分析(PCA)结合支持向量机(SVM)对目标分类识别、基于主成成分分析、独立分量分析和小波决策融合的识别方法虽然已经达到一定的正确率,但是依然需要人工经验对原始信号进行复杂的变换和多维度的特征提取,从而给不同情况下的识别结果带来不确定性。自从2006年Hinton等人提出深度学习这一概念后,深度学习领域得到飞速发展,其广泛应用于目标识别领域。卷积神经网络是深度学习的一种,其特点是使用类似于生物神经网络的局部感受野、权值共享策略与时间或空间的亚采样,降低模型的复杂度与计算量,避免传统算法的特征提取与数据重建过程。
技术实现思路
本专利技术的目的在于提供基于卷积特征提取和机器学习的联合SAR目标识别方法,解决了传统算法的特征提取与数据重建过程复杂,识别结果不准确的问题。本专利技术所采用的技术方案是按照以下步骤进行:步骤1.读取SAR原始图像数据集,并做预处理;步骤2.使用卷积变换提取SAR图像特征,卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出,得到多个特征图,每个特征图也是由多个图卷积组合而成,亚采样层对上层的得到的特征图亚采样,减小特征图的大小,最后生成1行128列的特征 ...
【技术保护点】
基于卷积特征提取和机器学习的联合SAR目标识别方法,其特征在于按照以下步骤进行:步骤1.读取SAR原始图像数据集,并做预处理;步骤2.使用卷积变换提取SAR图像特征,卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出,得到多个特征图,每个特征图也是由多个图卷积组合而成,亚采样层对上层的得到的特征图亚采样,减小特征图的大小,最后生成1行128列的特征值;步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机、K邻近训练分类模型;步骤4预测的未知类别图像所属类别。
【技术特征摘要】
1.基于卷积特征提取和机器学习的联合SAR目标识别方法,其特征在于按照以下步骤进行:步骤1.读取SAR原始图像数据集,并做预处理;步骤2.使用卷积变换提取SAR图像特征,卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出,得到多个特征图,每个特征图也是由多个图卷积组合而成,亚采样层对上层的得到的特征图亚采样,减小特征图的大小,最后生成1行128列的特征值;步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机、K邻近训练分类模型;步骤4预测的未知类别图像所属类别。2.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法,其特征在于:所述步骤1的实现过程如下,步骤1.1将每幅图像尺寸变换为48*48像素大小;步骤1.2对剪裁后的图像通过镜像变化,随机剪裁对数据集扩充;步骤1.3将数据集归一化,设有m幅原始图片,经过尺寸变换后,每幅图像有2304个像素点,设Vk,i,j为第k幅图的第i行第j列的元素值,V*k,i,j为第k幅图的第i行第j列归一化之后的元素值,Vk,min第k幅图最小的像素值,Vk,max第k幅图最大的像素值,则归一化的计算公式为:3.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法,其特征在于:所述步骤2的实现过程如下,步骤2.1卷积层1,使用32种不同的卷积核对每幅图像做卷积运算,卷积核的大小均为5*5像素,每次移动步长为1个像素点,在图像每个边缘补充2个像素,卷积后生成32个48*48的特征图;对于一个有C个类别和N个训练样本的多分类问题,假设有训练集第l层第j个神经元的输出为:其中Mj表示第j个输入特征图,为额外的偏置,为卷积核;步骤2.2亚采样层1,使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算,每次移动2个像素点,卷积后生成32个24*24的特征图;卷积核k为:定义即g(i,j)=∑h,lf(i+h,j+l)k(h,l),并按以下步骤计算:步骤2.2.1滑动卷积核,使其中心位于输入图像g的第i行第j列像素上;步骤2.2.2利用上式求和,得到g(i,j)的像素值;步骤2.2.3每次滑动2个像素点,直至求出所有像素值;步骤2.3卷积层2,使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算,卷积核的大小均为5*5像素,每次移动步长为1个像素点,在图像每个边缘补充2个像素,卷积后生成64个24*24的特征图,具体步骤如步骤2.1;步骤2.4亚采样层2,使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算,每次移动4个像素点,卷积后生成64个6*6的特征图,具体步骤如步骤2.2;步骤2.5数据降维,将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值,减小数据维度,去除冗余信息。4.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法,其特征在于:所述步骤3的实现过程如下,步骤3.1使用误差逆传播算法训练softmax分类模型;步骤3.1.1前向传播阶段,假设网络的输出为则误差函数如下:其中是第n个样本对应的实...
【专利技术属性】
技术研发人员:张兴敢,乔卫磊,柏业超,高健,王琼,唐岚,
申请(专利权)人:南京大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。