[發明專利]基于異構卷積神經網絡集成的SAR自動目標識別方法

有效

• 申請號: 201810133738.3
• 申請日: 2018-02-09
• 公開（公告）號: CN108345856B
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 黃鈺林;薛媛;裴季方;蘭毅;張永超;張寅;楊建宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06K9/62
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種基于異構卷積神經網絡集成的SAR自動目標識別方法，其特征在于，包括以下步驟：

步驟1，構建異構卷積神經網絡，所述異構卷積神經網絡包含多個獨立的卷積神經網絡；包括以下流程：

步驟11，設定異構卷積神經網絡中所包含的卷積神經網絡數；

步驟12，對每個卷積神經網絡的結構進行設定，其中，每個卷積神經網絡的結構差異包括網絡深度、卷積核大小和數目、卷積步長及池化層數量，數個不同結構的卷積神經網絡共同組成異構卷積神經網絡；

卷積層層編號中，C為卷積層，S為池化層，下標數字為卷積神經網絡編號，末尾數字為在卷積神經網絡中的層編號；

CNN為卷積神經網絡，CNN1為第一卷積神經網絡，其包含4個卷積層和3個池化層；C₁1為第一個卷積層，包含8個5×5的卷積核，生成8個60×60的特征圖；S₁2為池化層，采用采樣窗口大小為2×2的最大值池化，以C₁1的輸出作為輸入，輸出為8個30×30的特征圖；C₁3為第二個卷積層，包含16個5×5的卷積核，生成16個26×26的特征圖；C₁5為第三個卷積層，包含32個6×6的卷積核，生成32個8×8的特征圖，C₁7為第四個卷積層，包含10個4×4的卷積核，生成特征圖的大小為1×1；S₁2、S₁4、S₁6為池化層，均為采樣窗口為2×2的最大值池化；

CNN2為第二卷積神經網絡，其包含10個卷積層，除C₂10外，各層均使用大小為3×3的卷積核，C₂2、C₂4、C₂6以步長為2的卷積代替池化實現特征映射維數的降低；

CNN3為第三卷積神經網絡，其將不同大小的卷積核并聯，以不同的尺度對輸入進行處理后重新組合，實現多尺度特征的同步提取；C₃1為卷積層，包含4個5×5的卷積核，生成4個60×60的特征映射作為池化層S₃2的輸入；CNN3的第三層記為I₃3，I₃3將S₃2生成的特征圖同時輸入a、b、c三個通道進行處理，a通道包含兩個卷積層和一個池化層，卷積核大小為3×3，生成8個12×12的特征圖；b通道包含一個卷積層和一個池化層，卷積核大小為7×7，生成2個大小為12×12的特征圖；c通道包含兩個卷積層，卷積核大小分別為5×5和3×3，生成4個大小為12×12的特征圖；三個通道所生成的14個特征圖共同作為C₃4的輸入；

除輸出層外，各網絡卷積層所用非線性激活函數均為ReLU，各網絡均以最后一個卷積層作為輸出層，輸出層非線性激活函數為Softmax；

步驟2，根據每個卷積神經網絡的輸入層所需樣本大小對目標圖像進行調整，生成每個卷積神經網絡的訓練樣本集；包括以下流程：

根據每個卷積神經網絡所需的輸入樣本大小對所述目標圖像進行調整，生成滿足各個卷積神經網絡的輸入樣本大小要求的目標圖像切片，每種大小的目標圖像切片構成相應卷積神經網絡的訓練樣本集；

步驟3，利用訓練樣本對每個卷積神經網絡進行訓練；包括以下流程：

步驟31，對每個卷積神經網絡中包含的卷積核和偏置項進行初始化，設置學習率和每次前后向傳播所用目標圖像切片數量；

步驟32，每個卷積神經網絡在對應的訓練樣本中隨機選取設置數量的目標圖像切片前向傳播；

前向傳播，若第l層為卷積層，則其輸出為

其中，為第l層的第j個特征圖，M_j為第l-1層中與之相連的特征圖集合，為卷積核，為偏置項，f(·)為非線性激活函數，式中“*”表示二維離散卷積；

若第l層為池化層，則其輸出為

其中，down(·)表示下采樣函數；

步驟33，計算代價函數值；設共有C類樣本，以θ表示網絡中所有可訓練參數的集合，第n個樣本對應的輸出為yⁿ(tⁿ,θ)，其中，yⁿ為長度為C的向量，表示第n個樣本屬于各目標類型的后驗概率，tⁿ表示第n個樣本的實際類別，則代價函數為

其中，N表示每次迭代所用樣本數；

步驟34，基于梯度下降的后向傳播算法對卷積神經網絡的參數進行更新，其中，參數包括卷積神經網絡中包含的卷積核和偏置項；

具體計算公式為

其中，k、b分別表示網絡中的卷積核與偏置項，α為學習率；

步驟35，迭代進行前后向傳播，直到代價函數收斂；

步驟4，將每個卷積神經網絡的輸出進行集成；

步驟5，基于集成結果，判定所述目標圖像的目標類型。