基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的SAR目標(biāo)識(shí)別方法研究.pdf

1、近年來神經(jīng)網(wǎng)絡(luò)集成已被廣泛應(yīng)用于圖像處理領(lǐng)域且效果顯著，特別是從大規(guī)模SAR數(shù)據(jù)中快速提取有用信息具有很好的表現(xiàn)。在神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)和SAR圖像處理相結(jié)合的基礎(chǔ)上，本文研究了基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的SAR目標(biāo)識(shí)別方法。主要研究?jī)?nèi)容及創(chuàng)新如下：
　　首先，針對(duì)原始圖像域進(jìn)行特征提取存在特征維數(shù)較高、計(jì)算復(fù)雜和類別表征能力弱等缺陷，對(duì)其進(jìn)行特征壓縮和特征選擇兩大改進(jìn)。在特征壓縮的改進(jìn)中：在SAR圖像預(yù)處理階段和特征提取階段之間引入小波變

2、換，提取目標(biāo)類別信息表征能力強(qiáng)的低頻成分，將SAR圖像中的確定性的目標(biāo)信息與隨機(jī)的背景雜波、噪聲等信息有效分離；然后采用 Bi-2DPCA對(duì)低頻子圖像進(jìn)行特征提取，消除行和列之間的冗余信息，得到具有很好類內(nèi)凝聚性和類間差異性的低維目標(biāo)特征。在特征選擇的改進(jìn)中：利用 K-近鄰法實(shí)現(xiàn)對(duì)訓(xùn)練樣本的自適應(yīng)特征選擇和分類器的自適應(yīng)訓(xùn)練。特征提取流程經(jīng)過兩大改進(jìn)后，提取的最優(yōu)目標(biāo)特征不僅具有超低維性，還能獲得較優(yōu)的識(shí)別性能，對(duì)推廣神經(jīng)網(wǎng)絡(luò)應(yīng)用于SA

3、R目標(biāo)智能化識(shí)別具有重要意義。
　　其次，通過實(shí)驗(yàn)仿真對(duì)比BP、PNN常用個(gè)體神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)識(shí)別性能，選擇實(shí)時(shí)性、穩(wěn)定性更強(qiáng)的PNN作為后續(xù)集成的個(gè)體網(wǎng)絡(luò)。為了解決原始PNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜及訓(xùn)練算法非自適應(yīng)等問題，提出了基于近鄰子空間的自適應(yīng)訓(xùn)練算法。仿真實(shí)驗(yàn)發(fā)現(xiàn)改進(jìn)的自適應(yīng)PNN識(shí)別效率、識(shí)別正確率更優(yōu)。
　　最后，為了克服自適應(yīng)PNN泛化能力弱、識(shí)別結(jié)果不穩(wěn)定的缺點(diǎn)，結(jié)合集成學(xué)習(xí)的思想，提出了基于Bagging算法集