10.12305/j.issn.1001-506X.2022.08.12
基于改进的CNN和数据增强的SAR目标识别
针对合成孔径雷达(synthetic aperture radar,SAR)图像目标识别问题,提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法.首先在训练阶段引入Dropout,随机删除部分神经元,增强网络的泛化能力.其次,在网络中引入L2正则化,简化模型的同时降低结构风险,并且能有效地抑制过拟合.然后,采用Adam优化网络,提高模型的收敛效率.最后,采用优选的数据增强方法,扩充SAR目标数据集,为网络训练提供更为充足的样本,进一步提高识别的准确率和模型的泛化性.在运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)数据集上进行了实验,结果表明设计的卷积神经网络识别准确率高,且具有更好的泛化性.
雷达目标识别、合成孔径雷达、卷积神经网络、数据增强、正则化
44
TN957.52
国家自然科学基金;教育部国家留学基金
2022-10-11（万方平台首次上网日期，不代表论文的发表时间）
共5页
2483-2487
