论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)在军事侦察和目标识别领域有着非常广泛的应用需求。传统的SAR目标识别需要很强的专业知识支撑,耗时耗力。而SAR图像本身会受到雷达带宽和观测视角的影响而发生变化,对基于人工智能的SAR目标识别造成了很大的困难,要想获得较高的识别率,必须要有大量的在不同条件下的目标SAR图像,所以,对高分辨率SAR图像生成技术的研究具有十分重要的意义。人工智能和深度学习的飞速发展,为SAR图像生成技术的研究提供了新的思路。人工智能和卷积神经网络(Convolutional neural network,CNN)具有强大的学习能力和特征表达能力,目前在语音识别、图像处理和文本理解方面已经取得了惊人的成就。基于人工智能设计出高效的SAR图像生成模型是一个极具前景的研究方向。生成对抗网络(Generative Adversarial Networks,GAN)是目前人工智能领域最火热的生成模型,在普通光学图像的生成上表现出了十分优秀的性能。而SAR图像的成像机理和光学图像不同,为了提高原始生成对抗网络的效果,本文将用SAR图像目标的雷达散射截面(Radar-Cross Section)特性来指导神经网络的训练,并结合卷积神经网络(CNN)强大的特征学习能力,研究设计基于目标RCS特性的条件深度卷积生成对抗网络。全文的研究内容主要包含以下几个方面:(1)研究合成孔径雷达的成像机理和基本方法,分析了雷达目标的分布模型,提出了几何模型的构建方法,给出了雷达散射截面(Radar-Cross Section,RCS的计算方法。(2)深入研究了人工智能深度学习的原理和卷积神经网络的结构,分析了卷积层、池化层和全连接层的原理和应用。在此基础上讨论了生成对抗网络模型的原理和网络结构。(3)在原始生成对抗网络的基础上,研究了条件生成对抗网络和深度卷积生成对抗网络,结合这两种网络模型的优点,设计了基于目标RCS特性的条件深度卷积生成对抗网络,给出了它的网络结构和训练方法。(4)使用MSTAR(Moving and Stationary Target Acquisition and Recognition)的数据集在普通深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)模型和我们改进的条件深度卷积生成对抗网络(Conditional-Deep Convolutional Generative Adversarial Networks,C-DCGAN)模型上训练,分别生成了两组SAR图像,每一组各包括BMP2、TBR70和T72三类目标。然后设计了一个能对这三类目标进行分类的卷积神经网络,验证了生成图片的效果。本文从SAR图像目标识别的需求出发,针对基于深度学习和雷达散射截面的SAR图像生成方法进行了详细的研究,可以为人工智能技术的应用和SAR图像的研究提供一个新的思路,为基于人工智能的SAR图像目标识别研究提供帮助。