[发明专利]基于CAE与HL-CNN的小样本SAR目标识别方法有效
| 申请号： | 201911029117.1 | 申请日： | 2019-10-28 |
| 公开（公告）号： | CN110766084B | 公开（公告）日： | 2021-06-15 |
| 发明（设计）人： | 傅雄军;秦锐;郎平;常家云;蒋文;赵聪霞 | 申请（专利权）人： | 北京理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 北京正阳理工知识产权代理事务所(普通合伙) 11639 | 代理人： | 王民盛 |
| 地址： | 100081 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及基于CAE与HL‑CNN的小样本SAR目标识别方法，属于基于深度学习的模式识别以及雷达目标识别技术领域。所述小样本SAR目标识别方法，采用迁移学习方法将CAE特征表示学习网络与非贪婪的HL‑CNN分类网络结合起来；CAE特征表示学习网络通过重构训练集中的图像，得到一个完备的特征表示，防止非贪婪的分类网络因特征提取不足而导致分类性能下降，HL‑CNN分类网络采用基于最大类间间距的hinge loss分类器对CAE学习到的特征表示微调并得到分类网络，有效防止过拟合现象的发生。所述方法防止了小样本下的过拟合现象，在较少训练样本下获得了相比A‑ConvNet和传统CNN更高的测试精度。 | ||
| 搜索关键词： | 基于 cae hl cnn 样本 sar 目标 识别 方法 | ||
【主权项】：
1.基于CAE与HL-CNN的小样本SAR目标识别方法，其特征在于：包含两个网络的构建与训练，分别为CAE特征表示学习网络与HL-CNN分类网络；/n其中，CAE，即卷积自编码器，全称为Convolutional Auto-encoder；HL-CNN，全称为hinge loss CNN；CNN，即卷积神经网络，全称为Convolutional Neural Network；SAR，即合成孔径雷达，全称为Synthetic Aperture Radar；/nCAE特征表示学习网络通过重构训练集中的图像自动学习图像的特征，得到一个完备的特征表示，防止使用非贪婪的分类网络时因特征提取不足而导致分类性能下降的问题；/nHL-CNN分类网络采用一种基于最大类间间距准则的非贪婪分类器对CAE特征表示学习网络学习到的特征表示微调并得到分类网络，能有效防止过拟合现象的发生；/n其中，CAE特征表示学习网络重构图像自动学习图像的特征即通过优化目标h
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京理工大学，未经北京理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911029117.1/，转载请声明来源钻瓜专利网。
