一种基于增量学习的深度鲁棒非负矩阵分解方法技术

本发明专利技术提出一种基于增量学习的深度鲁棒非负矩阵分解方法，即基于l<subgt;2,1</subgt;范数的深度增量非负矩阵分解(l<subgt;2,1</subgt;‑DINMF)，用以解决传统NMF无法挖掘SAR目标深层特征的问题。首先，本发明专利技术利用深度学习思想构建出全新的NMF模型框架，用于自主学习SAR目标的潜在属性和隐藏信息；同时，通过梯度下降法求得上述模型的近似解，推导出一种收敛速度更快的增量更新算法规则。实验结果表明，随着SAR目标训练样本的数量增长，本发明专利技术算法能够显著降低SAR ATR模型的计算复杂度，保障SARATR模型更新的稳定性，还能够在准确率、时间损失和内存空间损失方面始终优于同类非负矩阵分解算法。

【技术实现步骤摘要】

本专利技术涉及图像识别，具体为一种融合深度学习思想的非负矩阵分解方法——基于深度和增量学习的鲁棒非负矩阵分解，用以解决传统nmf无法挖掘sar目标深层特征的问题。

技术介绍

1、图像识别技术在处理高维图像数据时需要大量的时间成本。特别是在实际军事运用当中，面对海量的雷达数据，图像目标识别技术在各方面都存在巨大挑战。特征提取作为图像目标识别的关键步骤，在现研究领域中已经衍生出了大量的特征提取方法，这些方法都可以有效进行降维，但都存在一定的问题，例如传统特征提取算法中，主成分分析法(principle component analysis，pca)在进行sar目标判别时会出现信息丢失的问题，从而导致识别精度下降。线性判别分析法(linear discriminant analysis,lda)在处理高维图像数据时，容易出现小样本问题。此外，上述算法在进行特征提取时，可能会出现负元素，而负元素在实际任务中往往是没有实际意义的。非负矩阵分解(nonnegative matrixfactorization，nmf)则是采用了一种具有正定约束的特征提取方法，使分解后的本文档来自技高网...

【技术保护点】

1.一种基于增量学习的深度鲁棒非负矩阵分解方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于增量学习的深度鲁棒非负矩阵分解方法，其特征在于：步骤3具体包括：

【技术特征摘要】

1.一种基于增量学习的深度鲁棒非负矩阵分解方法，其特征在于，包括以下步骤：

2...

【专利技术属性】
技术研发人员：曹昌杰，李贤，张涵栎，罗堂耘，周冉，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：