[发明专利]SAR图像目标识别方法及装置

说明书

本发明公开了一种SAR图像目标识别方法及装置，其中方法包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本发明提供的方法在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性。

技术领域

本发明涉及SAR图像分析技术领域，尤其涉及SAR图像目标识别方法及装置。

背景技术

合成孔径雷达(synthetic aperture radar，SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下获得高分辨率雷达图像。它具有不受光照、天气等外部条件限制的优点，还可以进行全天时、全天候、长期的监测。随着雷达技术的发展，SAR图像监测已经广泛应用于农业、军事等各个领域。随着SAR技术的发展，SAR数据大量增加，传统的基于人工判读的图像识别方法不能满足实时性、准确性等等需求。因此通过计算机程序来实现SAR图像目标的识别是目前的研究热点以及难点。

SAR图像不同于光学图像，它通常表现为稀疏的散射中心分布，并对成像的方位非常敏感，在不同视角上的目标呈现很大的差异。目前常用的SAR目标识别方法有基于神经网络的算法，神经网络以其强大的自学习能力、高速寻找最优解等能力，得到了广泛的应用。网络架构的选择以及参数的设置是影响识别性能的两大关键因素。在网络架构的选择方面，随机网络以其能够通过随机选取网络参数集把非线性问题近乎简化为线性问题，且不需要通过迭代优化网络参数来提高学习速度等优势，开始引起人们的关注。其中，随机向量函数功能连接(Random Vector Functional Link,RVFL)是随机网络的一个典型模型，其通过随机权重把输入信息投射到更高纬度空间，把需要通过多次迭代优化的网络转换为线性最小二乘问题，相比迭代学习大大减少了训练网络所需时间。但是该模型在实际应用中，仍存在参数设置不合理的问题。随机配置网络(stochastic configuration network,SCN)可以有效解决参数的设置问题，其通过不等式约束来随机配置输入权重和偏置，且逐渐增加隐藏层节点数逐渐增加，有效降低网络的复杂度且减少了参数的设置。

在随机配置网络SCN的训练过程中容易出现过拟合现象，因此，通常在训练中采用早停法来防止过拟合现象的发生，但是这种方法仅适用于样本量非常大的情况，在SAR图像目标识别中，经常面临SAR数据较少的情况，利用早停法来防止过拟合现象存在网络的性能未达到最优就停止训练的问题，网络性能不可靠，利用该网络获得的识别结果不准确。

发明内容

本发明实施例提供一种SAR图像目标识别方法，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该方法包括：

获取SAR图像目标数据；

利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：

重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：

根据随机配置网络模型的输出权重确定随机配置网络模型的残差；

若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。

本发明实施例提供一种SAR图像目标识别装置，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该装置包括：

数据获取模块，用于获取SAR图像目标数据；