基于神经网络集成学习的SAR目标识别方法研究

摘要

近年来神经网络集成已被广泛应用于图像处理领域且效果显著，特别是从大规模SAR数据中快速提取有用信息具有很好的表现。在神经网络集成学习和SAR图像处理相结合的基础上，本文研究了基于神经网络集成学习的SAR目标识别方法。主要研究内容及创新如下：
　　首先，针对原始图像域进行特征提取存在特征维数较高、计算复杂和类别表征能力弱等缺陷，对其进行特征压缩和特征选择两大改进。在特征压缩的改进中：在SAR图像预处理阶段和特征提取阶段之间引入小波变换，提取目标类别信息表征能力强的低频成分，将SAR图像中的确定性的目标信息与随机的背景杂波、噪声等信息有效分离；然后采用 Bi-2DPCA对低频子图像进行特征提取，消除行和列之间的冗余信息，得到具有很好类内凝聚性和类间差异性的低维目标特征。在特征选择的改进中：利用 K-近邻法实现对训练样本的自适应特征选择和分类器的自适应训练。特征提取流程经过两大改进后，提取的最优目标特征不仅具有超低维性，还能获得较优的识别性能，对推广神经网络应用于SAR目标智能化识别具有重要意义。
　　其次，通过实验仿真对比BP、PNN常用个体神经网络的SAR目标识别性能，选择实时性、稳定性更强的PNN作为后续集成的个体网络。为了解决原始PNN网络结构复杂及训练算法非自适应等问题，提出了基于近邻子空间的自适应训练算法。仿真实验发现改进的自适应PNN识别效率、识别正确率更优。
　　最后，为了克服自适应PNN泛化能力弱、识别结果不稳定的缺点，结合集成学习的思想，提出了基于Bagging算法集成PNN的自适应识别方法，经仿真实验验证 Bagging-PNN可有效改善识别效率、识别正确率、泛化能力和识别结果稳定性。基于MSTAR SAR实验样本集进行了全面仿真实验，证明了本文算法应用于SAR目标识别是有效和实用的。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究动态及分析

1.3 本文主要研究内容及章节安排

第二章 SAR目标识别与神经网络集成学习

2.1 SAR图像特性分析及MSTAR数据库简介

2.2 SAR目标识别关键技术

2.3 神经网络集成理论分析

2.4 神经网络集成学习应用于SAR目标识别

2.5 本章小结

第三章 SAR目标低维特征提取

3.1 原始SAR图像域特征提取缺陷分析

3.2 小波域特征提取

3.3 小波域常用SAR目标特征提取算法

3.4 小波域Bi-2DPCA特征提取算法

3.5 小波变换各参数对识别性能的影响

3.6 小波域多种特征提取算法识别性能对比分析

3.7 本章小结

第四章 基于神经网络集成学习的SAR目标分类器设计

4.1 个体神经网络

4.2 改进的自适应PNN神经网络

4.3 神经网络集成分类器的构建

4.4 PNN、自适应PNN及Bagging-PNN识别性能对比分析

4.5 本章小结

第五章 基于Bagging-PNN的SAR目标自适应识别实验

5.1 仿真实验识别流程

5.2 小波变换引入前后识别性能对比实验

5.3 不同训练样本量识别性能对比实验

5.4 在非理想情况下识别性能对比实验

5.5 本文识别方法与其他识别方法对比实验分析

5.6 本章小结

第六章 总结与展望

致谢

参考文献

攻读硕士期间取得的研究成果