SAR图像目标识别方法及装置制造方法及图纸

本发明专利技术公开了一种SAR图像目标识别方法及装置，其中方法包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本发明专利技术提供的方法在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性。

Target Recognition Method and Device in SAR Image

【技术实现步骤摘要】
SAR图像目标识别方法及装置
本专利技术涉及SAR图像分析
，尤其涉及SAR图像目标识别方法及装置。
技术介绍
合成孔径雷达(syntheticapertureradar，SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下获得高分辨率雷达图像。它具有不受光照、天气等外部条件限制的优点，还可以进行全天时、全天候、长期的监测。随着雷达技术的发展，SAR图像监测已经广泛应用于农业、军事等各个领域。随着SAR技术的发展，SAR数据大量增加，传统的基于人工判读的图像识别方法不能满足实时性、准确性等等需求。因此通过计算机程序来实现SAR图像目标的识别是目前的研究热点以及难点。SAR图像不同于光学图像，它通常表现为稀疏的散射中心分布，并对成像的方位非常敏感，在不同视角上的目标呈现很大的差异。目前常用的SAR目标识别方法有基于神经网络的算法，神经网络以其强大的自学习能力、高速寻找最优解等能力，得到了广泛的应用。网络架构的选择以及参数的设置是影响识别性能的两大关键因素。在网络架构的选择方面，随机网络以其能够通过随机选取网络参数集把非线性问题近乎简化为线性问题，且不需要通过迭代优化网络参数来提高学习速度等优势，开始引起人们的关注。其中，随机向量函数功能连接(RandomVectorFunctionalLink,RVFL)是随机网络的一个典型模型，其通过随机权重把输入信息投射到更高纬度空间，把需要通过多次迭代优化的网络转换为线性最小二乘问题，相比迭代学习大大减少了训练网络所需时间。但是该模型在实际应用中，仍存在参数设置不合理的问题。随机配置网络(stochasticconfigurationnetwork,SCN)可以有效解决参数的设置问题，其通过不等式约束来随机配置输入权重和偏置，且逐渐增加隐藏层节点数逐渐增加，有效降低网络的复杂度且减少了参数的设置。在随机配置网络SCN的训练过程中容易出现过拟合现象，因此，通常在训练中采用早停法来防止过拟合现象的发生，但是这种方法仅适用于样本量非常大的情况，在SAR图像目标识别中，经常面临SAR数据较少的情况，利用早停法来防止过拟合现象存在网络的性能未达到最优就停止训练的问题，网络性能不可靠，利用该网络获得的识别结果不准确。
技术实现思路
本专利技术实施例提供一种SAR图像目标识别方法，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该方法包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本专利技术实施例提供一种SAR图像目标识别装置，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该装置包括：数据获取模块，用于获取SAR图像目标数据；目标识别模块，用于利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行如下方法的计算机程序：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。相对于现有技术中采用早停法来防止随机配置网络SCN的过拟合现象的技术方案而言，本专利技术实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步为若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出现过拟合现象的同时，使网络性能达到最优，保证了SAR图像目标识别结果的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本专利技术实施例中SAR图像目标识别方法示意图；图2为本专利技术实施例中SAR图像目标识别装置结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。为了准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，本专利技术实施例提供一种SAR图像目标识别方法，如图1所示，该方法可以包括：步骤101、获取SAR图像目标数据；步骤102、利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。由图1所示可以得知，本专利技术实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步为若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出本文档来自技高网...

【技术保护点】
1.一种SAR图像目标识别方法，其特征在于，包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。

【技术特征摘要】
1.一种SAR图像目标识别方法，其特征在于，包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。2.如权利要求1所述的方法，其特征在于，在获取SAR图像目标数据之后，提取所述SAR图像目标数据的投影特征；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得所述投影特征的识别结果。3.如权利要求2所述的方法，其特征在于，提取所述SAR图像目标数据的投影特征之后，确定满足如下条件的投影特征对应的特征向量：s.t.ΦTΦ＝Er×r其中Er×r为r阶单位矩阵，G为投影特征，Φ为满足条件的投影特征对应的特征向量；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得特征向量的识别结果。4.如权利要求1所述的方法，其特征在于，所述约束条件为：其中，L是网络隐含层节点数量，eL-1是随机配置网络模型具有L-1个隐含层节点时的残差，hL是隐含层第L个节点的输出，r为大于0小于1的序列，μL为非负实数序列，μ...

【专利技术属性】
技术研发人员：王彦平，张艺博，李洋，林赟，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京,11