[发明专利]基于可变卷积神经网络的SAR自动目标识别方法

权利要求书

1.一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，包括：

S1、获取原始SAR图像；

S2、对步骤S1获取的SAR图像进行预处理；

S3、构建基于可变卷积的深度神经网络；所述神经网络每一层参数分别代表卷积核尺寸以及特征图数目，Relu代表修正线性单元，卷积核尺寸可变；

S4、采用步骤S2得到的SAR图像对步骤S3构建的基于可变卷积的深度神经网络进行训练，从而得到SAR目标识别网络模型；

训练过程包括：

D.1首先，初始化网络权重w^l，其分布如公式(7)所示：

其中，l表示当前卷积层数，h_l、w_l分别表示卷积层中卷积核的高和宽，d_l表示当前卷积层卷积核的个数，表示当前权重张量中的输入单位数量；然后，将偏置项b^l初始化为一常数0.1；

D.2网络初始化完成后，进行前向传播，以f_t^l表示第l层第t个特征图谱，l≥2，若第l层为卷积层，则

其中，表示第l-1层第s个输入特征图谱，表示连接第s个输入特征图谱和第t个输出特征图谱的卷积核，表示偏置项，取值为0.1，σ(·)表示非线性激活函数，符号“*”表示卷积运算；

若第l层为可变卷积层，首先获取第l-1层特征图谱经过重排列后的图像：

其中，表示第l-1层特征图谱经过重排列后的图像，(o_m,o_n)∈O，O为索引偏置集合，为对应可变卷积的卷积核和偏置项，c表示输入通道数，符号表示填充为Same的卷积运算；然后，对获取的图像进行一次卷积：

若第l层为池化层，则

其中，r₁、r₂表示池化窗口的大小，sd表示池化步长，u、v为坐标取值偏移量；

到达输出层后，输出经过Softmax分类器处理，可得当前样本属于第i类的后验概率为

其中，k^l表示该层的输入，C表示总类别数，下标i表示当前样本类别，下标c表示计算时的样本类别遍历；

D.3计算代价函数值，采用交叉熵损失函数作为网络的代价函数，其计算公式为

其中，p(i)表示目标类别是第i类的真实概率，w、b分别表示网络中权重与偏置项的集合；

D.4采用基于自适应梯度的后向传播算法对网络参数进行更新，具体计算公式为

其中，m_t和v_t分别为一阶动量项和二阶动量项；β₁、β₂为动力值大小；分别为各自的修正值；w_t表示第t次迭代模型的权重，g_t＝ΔJ(w_t)表示t次迭代代价函数关于w的梯度大小；η表示学习率；δ是一个取值很小的数，用于避免分母为0；而偏置项b的更新策略则和w一样。

2.根据权利要求1所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、根据SAR目标方位角，将原始SAR图像旋转至同一方向；

S22、对经过S21处理后的旋转图像进行数据扩充，以图像像素中心点为基点进行一次随机裁剪。

3.根据权利要求1所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，步骤S3所述的基于可变卷积的深度神经网络，包括五个隐含层，分别记为第一层隐含层、第二层隐含层、第三层隐含层、第四层隐含层、第五层隐含层；所述第一层隐含层为可变卷积层接最大池化层；第二层隐含层为可变卷积层接最大池化层；第三层隐含层为卷积层和最大池化层；第四层隐含层为卷积层；第五层隐含层为卷积层接Softmax。

4.根据权利要求3所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述可变卷积层的卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标。

5.根据权利要求4所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述可变卷积层通过输入特征图谱中的像素点重排列实现。