[发明专利]基于深度学习的空间目标识别方法

摘要

本发明公开了一种基于深度学习的空间目标识别方法，用于解决现有空间目标识别方法实用性差的技术问题。技术方案是首先构建一个9层深度卷积网络模型，随后在该网络基础上，找出最优的数据增广方法，并将几种较优的增广方法得到的数据进行组合，将最优的组合数据同时用在模型训练和测试的过程中，完成空间目标识别。深度学习模型自动地从数据中发现分布式的特征表示，得到更利于分类的特征，可以大幅度提高识别准确率。同时，针对空间目标数据集受其成像环境限制，是一个典型的小样本问题这一特点，利用数据增广生成虚拟数据，可以解决深度模型在小样本上容易过拟合的问题，实用性好。

主权项

一种基于深度学习的空间目标识别方法，其特征在于包括以下步骤：步骤一、根据数据集规模构建一个9层的深度卷积网络，其中包含3层卷积层、3层池化层以及3层全连接层；在每一个卷积层，输入图像与一个线性滤波器进行卷积，然后加上一个偏置项，通过一个非线性激活函数得到该层的特征映射图，表示为如下公式：Xjl=f(Σi∈MjXil-1*kijl+bjl)---(1)]]>此时，Mj表示输入特征图个数，表示第l‑th层中的一个卷积核，是第l‑th层中第j‑th个卷积核的偏置项，是第l‑th层中生成的第j‑th个特征图，f为激活函数；每个卷积层后都紧接着一个池化层用以进行降采样，表示为：Xjl=f(βjldown(Xil-1))---(2)]]>此处，down(·)表示降采样操作，是第l‑th层中生成的第j‑th个特征图，和分别表示乘性偏置和加性偏置；步骤二、在所构建的深度卷积网络上，分别测试用于数据增广的5种一阶变换方法及其叠加产生的26种多阶变换方法，寻找最优变换方法并用其生成原始数据8倍的训练数据和4倍的测试数据；步骤三、从最有效的五种变换生成的8倍训练数据中任选三种进行组合，选出最佳的组合变换，产生原始训练数据24倍的增广数据，用于训练DCNN模型；步骤四、在训练数据上进行实验得到的最佳变换组合方式同样运用到测试数据上，生成12倍的测试数据，计算每个生成测试样本St的分类得分为每类的概率，并用以下的Softmax函数统计得分，得出每个原始测试数据最后的分类结果；Ssmax(k):=logΣt=1TexpSt(k)---(3).]]>