摘 要: 目的 针对用于 SAＲ (synthetic aperture radar) 目标识别的深度卷积神经网络模型结构的优化设计难题，在分析卷积核宽度对分类性能影响基础上， 设计了一种适用于SAＲ目标识别的深度卷积神经网络构。方法首先基于二维随机卷积特征和具有单个隐层的神经网络模型- 超限学习机分析了卷积核宽度对 SAＲ 图像目标分类性能的影响;然后， 基于上述分析结果， 在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征， 设计了一种适用于 SAＲ 图像目标识别的深度模型结构;最后， 在对 MSTAＲ (moving and stationarytarget acquisition and recognition) 数据集中的训练样本进行样本扩充基础上， 设定了深度模型训练的超参数， 进行了深度模型参数训练与分类性能验证。结果 实验结果表明， 对于具有较强相干斑噪声的 SAＲ 图像而言， 采用宽度更大的卷积核能够提取目标的局部特征， 提出的模型因能从输入图像提取目标的多尺度局部特征， 对于 10 类目标的分类结果(包含非变形目标和变形目标两种情况)接近或优于已知文献的最优分类结果， 目标总体分类精度分别达到了 98． 39%和 97． 69%， 验证了提出模型结构的有效性。结论 对于 SAＲ 图像目标识别， 由于与可见光图像具有不同的成像机理， 应采用更大的卷积核来提取目标的空间特征用于分类， 通过对深度模型进行优化设计能够提高 SAＲ 图像目标识别的精度。
关键词:SAＲ 目标识别;深度卷积神经网络;结构设计;随机权重;超限学习机
特征提取
特征提取可分为广义和狭义特征提取两类。广义的特征提取是指一种变换， 即利用各种数学变换方法改善特征空间中原始特征的分布而不改变内部的结构和参数， 达到压缩特征维数、 去除冗余特征、 减少计算量的目的。常见的广义特征提取方法包括主成分分析、 独立分量分析、 非负矩阵分解、 小波变换等。狭义的特征提取算法提取的特征一般具有较明显的物理含义， 主要包括计算机视觉特征和电磁特征， 通过图像处理方法提出的计算机视觉特征包括纹理、 姿态角、 形状、 峰值、 分形维数、 主导边界等， 后者包括散射中心、 HＲＲ (high range resolution)剖面等。
识别算法
目前主要的 SAＲ 图像目标识别算法包括基于模板匹配的方法、 基于支持向量机的方法、 基于Boosting的方法、 基于稀疏表示的方法等
卷积核尺度也许真的对识别有帮助
特点是 即对于 SAＲ 图像目标识别而言， 由于具有较强的相干斑噪声， 且目标分辨率较低， 应采用较大的卷积核提取目标的局部特征进行分类。