[发明专利]一种基于辅助判决更新学习的合成孔径雷达目标识别方法

权利要求书

1.一种基于辅助判决更新学习的合成孔径雷达目标识别方法，其特征在于，包括以下步骤：

S1、搭建卷积神经网络模型，该卷积神经网络模型包含卷积层、池化层、全连接层以及Softmax分类器；卷积神经网络节点处采用激活函数；

所述卷积神经网络模型具备以下特征：

卷积神经网络的卷积层通过尺寸大小为ω的卷积滤波器的卷积操作来提取输入的SAR图像样本的不同特征，卷积层输出：

其中，卷积核的滑动步长为s＝1，S为输入，卷积层的输出S′作为下一层级的输入，w_nm表示卷积核的第n行m列参数；由SAR图像中待识别目标的尺寸调整ω来改变卷积核大小；

池化层紧跟在卷积层之后，池化层输出的特征图尺寸为：

h_o＝(h_i-ω_d)/stride+1

其中，ω_d为池化滤波器的大小，h_i表示池化层输入的第i个特征图尺寸，stride表示相邻池化滤波器的间隔；

经过多个卷积层和池化层后，连接着一个全连接层；全连接层中每个神经元与前一层的所有神经元进行全连接；对每一幅大小为L×W特征图中的元素进行加权求和，即其中k_nm为滤波器第n行m列的参数，e_nm为特征图的第n行m列的元素，特征矩阵为X＝[x₁ x₂ x₃...x_n]^T，通过Softmax分类器得到输出概率矩阵：

其中，为Softmax的参数，y为卷积神经网络对SAR图像中目标类别的识别结果；

S2、将原始图像集作为初始训练样本，得到初始的SAR图像目标识别的卷积神经网络模型，以及一个辅助分类器；所述原始图像集包含少量的带分类标签的SAR图像样本；

S3、将待识别的无标签SAR图像样本集合送入卷积神经网络模型以及辅助分类器中进行目标分类，得到各自的概率识别矩阵h_θ(x)及h_Assist；

S4、概率识别矩阵h_θ(x)及h_Assist通过判决的方法，得到最终的分类结果以及标签矩阵l，具体为：

设n类SAR图像样本的输出概率识别矩阵为：

h＝[p₁,p₂...p_n]

其中，p₁,p₂...p_n的约束条件为：

利用高斯取整函数得到类别标签矩阵l_c，c代表分类器：

对l_CNN和l_Assist进行哈达码乘积得到最终输出类别标签矩阵l，其中l_CNN和l_Assist分别代表卷积神经网络和辅助分类器得到的类别标签矩阵：

l＝l_CNN*l_Assist

非零矩阵的类别标签矩阵l对应的SAR图像样本作为新增的训练样本，同时，最大概率对应类别作为其类别标签；

S5、将判决后得到的样本及其对应的标签，作为新增的图像训练样本训练辅助分类器，同时，结合误差反向传播算法更新卷积神经网络的参数；

S6、重复步骤S2～S5直至获得一个识别效率稳定可靠的识别系统；

设P_i与P_i+1分别表示该识别系统第i次与第i+1次更新学习后的识别准确率；当满足以下条件时：

此时即可停止更新学习迭代过程，保留max(P_i,P_i+1)对应的识别系统；其中，Ω及Θ为根据实际需求设定的数值。

2.根据权利要求1所述的一种基于辅助判决更新学习的合成孔径雷达目标识别方法，其特征在于，步骤S1中所述的激活函数，包含Sigmod激活函数f(x)＝(1+e^-x)^-1、双曲正切函数f(x)＝tanh(x)、f(x)＝|tanh(x)|以及修正线性单元(Rectified Linear Unit)f(x)＝max(0,x)。