脉冲耦合神经网络在SAR自动目标识别中的应用研究

摘要

SAR在环境监测、资源勘探及军事领域得到广泛应用,SAR图像因其良好的穿透性比光学图像包含更丰富的内容,对SAR图像解译可以获得覆盖区域的相关信息和知识。目标识别是SAR图像解译和分析的重要过程,识别过程主要包括检测、鉴别和识别三个阶段。PCNN是一种自组织无监督神经网络,具有尺度和旋转不变特性,且其模型很容易通过硬件实现,因此实时性优于其他类型的神经网络。
　　 当前国内外SAR目标识别,在图像相干斑的抑制阶段,主要采用局域统计滤波方法和结构滤波算法和小波算法；在图像目标检测阶段主要采用CFAR方法；在目标鉴别阶段主要采用遗传算法对目标和非目标进行鉴别；在目标的分类和识别阶段主要采用马尔可夫随机场、支持向量机和Gabor小波等基于边缘检测的方法。
　　 本文主要研究PCNN在SAR降噪和目标特征提取过程中的应用,通过对比PCNN方法和现有方法的实验效果确定PCNN在SAR目标识别过程的适用性。同时,因研究需要大量的支持数据集,本文所使用数据均来自SAR仿真工具,该仿真工具利用图形处理器的计算能力实现目标三维模型的渲染,从而获得不同姿态的目标SAR仿真图像。

目录

文摘

英文文摘

第一章绪论

1．1选题背景及意义

1．2目标识别研究现状

1．2．1统计目标识别方法

1.2．2基于知识的目标识别方法

1．2．3基于模型的自动目标识别

1.2．4基于多传感器信息融合的自动目标识别方法

1．2．5基于人工神经网络自动目标识别方法

1．3研究方案

1．3．1 SAR目标数据集的获取

1．3．2 PCNN SAR特征提取研究方案和过程

1．4论文框架

第二章研究基础

2．1 SAR ATR综述

2．2 PCNN综述

第三章SAR目标仿真数据集生成

3．1 SAR体制及仿真

3．1.1 SAR 体制

3．1．2 SAR仿真

3．2 SAR仿真算法实现

3．2．1 GPU应用于SAR仿真

3．2．2算法结构和实现

3．3 SAR仿真数据集生成

3．3．1目标模型的建立

3．3．2 SAR仿真图像生成

第四章SAR目标特征提取的PCNN方法

4．1 PCNN算法

4．2 PCNN算法的实现

4．2．1 PCNN算法的数据结构

4．2．2程序实现过程

4．3 PCNN SAR目标特征提取

第五章实验与结果分析

5．1 PCNN参数对特征提取影响实验的及结果分析

5．1.1权值对特征提取的影响

5．1．2链接系数对特征提取的影响

5．1．3初始阈值对特征提取的影响

5．1．4衰减系数对特征提取的影响

5．2分类方法选取实验及结果分析

5．2．1 Backpropagation_CGD方法对目标特征的分类实验

5．2．2 LVQ1方法对目标特征的识别实验

5．2．3 SVM方法对目标特征的分类实验

5．2．4三种分类方法对PCNN目标识别适应性分析

5．3 PCNN方法与PCA方法目标特征提取对比实验

5．3．1数据集选取

5．3．2实验结果及分析

结论与展望

参考文献

致谢

在学期间公开发表的论文及著作情况