基于深度学习的压制式干扰环境下SAR目标识别方法研究

摘要

SAR成像由于其相比于光学成像具有全天时、全天候的优势，在军事和民用等领域具有不可替代的作用。近年来，随着深度学习技术的飞速发展，利用卷积神经网络对SAR目标识别方法被广泛研究，并产生了诸多成果。在雷达对抗中，SAR系统处于压制干扰的环境下，成像质量大大下降，SAR目标识别系统的识别率也将随之下降。本文针对这一问题，研究了在压制干扰环境下基于深度学习技术有效提升目标识别分类准确率的方法，具体研究内容如下： 本文首先介绍了SAR的成像模型，成像算法；描述了SAR图像的基本特征，讨论了SAR目标识别的基本流程；分析了有源压制式干扰几种重要干扰模式的基本原理。当SAR系统处于压制干扰的环境下，目标信号被压制式干扰信号所淹没，SAR图像将丢失大量目标有用信息，这给目标的识别和分类造成较大的影响。 本文基于MSTAR数据集，分析了在光学图像去噪中取得良好表现的两种基于深度卷积神经网络的图像去噪模型，并对其进行了改进以应用到SAR图像处理中。深度学习网络的性能不仅取决于网络结构，也受到数据集和参数调优的影响。通过对比实验表明，两种基于深度学习的去噪网络相比于传统的去噪方式具有良好的效果。经改进后的卷积-反卷积对称式神经网络能够实现更高的峰值信噪比但图像较模糊，对目标边缘细节丢失较多。采取残差学习和批归一化策略的DnCNN能够在去噪的同时保留更多目标特征，并具有更快的学习速度，适合作为干扰条件下SAR图像去噪的深度CNN模型。 目前获得的SAR图像数据集种类较少，并且没有在压制干扰条件下的SAR图像数据集，本文基于MSTAR数据集对其进行扩充，得到在多种噪声干扰条件下的十类目标数据集。经实验验证，当干信比达到或超过10dB时，基于深度学习的SAR目标识别系统的识别准确率显著降低。本文利用DnCNN网络对被噪声干扰的SAR图像进行了去噪处理，并分别使用不添加噪声、添加噪声及去噪后的数据，分别训练网络模型并进行了对比实验。 根据实验结果，本文提出了能够在干扰条件下显著提高SAR目标识别效果的方法。本方法能够显著改善在干信比小于30dB的识别效果，实现在一定强度的噪声干扰条件下的SAR目标有效分类识别。

目录

第一章 绪 论

1.1 研究背景及意义

1.2国内外研究现状

1.2.1 SAR图像目标识别研究现状

1.2.2 压制式干扰技术研究发展现状

1.2.3 SAR抗压制干扰技术研究发展现状

1.2.4 深度学习研究发展现状

1.3 论文结构和内容安排

第二章 SAR压制式干扰与深度学习基本原理

2.1 引言

2.2.1 SAR成像模型

2.2.2 SAR经典成像算法

2.3.1 分辨率特征

2.3.2 SAR图像相干斑原理

2.3.3 SAR图像的统计分布特性

2.4 SAR图像特征提取与目标识别

2.5 深度学习模型

2.5.1 自动编码器

2.5.2 受限玻尔兹曼机

2.5.3 深层置信网络(DBN)

2.5.4 循环神经网络(RNN)

2.5.5 卷积神经网络(CNN)

2.6.1 雷达干扰种类及基本原理

2.6.2 压制式干扰基本原理

2.7 本章小结

第三章 基于卷积神经网络的SAR图像去干扰方法

3.1 引言

3.2 卷积神经网络的基本结构

3.2.1 卷积层

3.2.2 池化层

3.2.3 批归一化层

3.2.4 激活函数

3.3 基于卷积-反卷积对称神经网络的去噪模型

3.3.1 网络结构

3.3.2 卷积层和反卷积层

3.3.3 网络训练

3.4 基于残差学习的深度降噪神经网络的去噪模型

3.5 基于深度学习的去噪模型实验

3.5.1 构造干扰数据集

3.5.2 高斯噪声干扰下各去噪方法比较

3.5.3 压制干扰下两种基于CNN去噪网络比较

3.6 本章小结

第四章 不同干扰模式下SAR图像去干扰和分类识别

4.1 引言

4.2 压制式干扰对SAR成像效果的影响

4.3 不同种类及强度压制干扰对识别准确率的影响

4.3.1 扩充MSTAR数据集

4.3.2 不同种类及强度的压制干扰对识别率的影响

4.4 训练集选取对识别准确率的影响

4.5 基于DnCNN去噪网络处理对识别率的影响

4.6 压制干扰下SAR图像分类识别方法

4.7 本章小结

第五章 总结与展望

5.1 本文总结

5.2 工作展望

致谢

参考文献