基于卷积神经网络与加权核特征分析的图像识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107545279A(43)申请公布日2018.01.05(21)申请号201710764629.7(22)申请日2017.08.30(71)申请人电子科技大学地址611731四川省成都市高新西区西源大道2006号(72)发明人周代英李文辉但瑞周毅(74)专利代理机构成都点睛专利代理事务所(普通合伙)51232代理人葛启函(51)Int.Cl.G06K9/62(2006.01)G06K9/54(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页(54)发明名称基于卷积神经网络与加权核特征分析的图像识别方法(57)摘要本发明属于雷达目标识别领域。一种基于卷积神经网络与加权核特征分析的图像识别方法，具体步骤为：首先，对SAR图像进行预处理，包括裁剪和去噪。其次，利用卷积神经网络提取SAR图像目标的特征。然后，利用加权核特征分析，筛选提取到的特征，去除坏的特征，保留好的特征。最后，利用最近邻分类进行识别。本发明将卷积神经网络和加权核特征分析方法结合，将卷积神经网络提取的特征用加权核特征分析降维，然后用最近邻分类识别，有效的弥补了传统的卷积神经网络识别性能欠佳的特点；同时利用加权核特征分析对特征矩阵降维，提纯了特征，提高了识别率。CN107545279ACN107545279A权利要求书1/2页1.一种卷积神经网络与加权核特征分析相结合的SAR图像识别方法，其特征在于，具体步骤如下：S1、将SAR图像分为训练样本和测试样本，设所述训练样本的数量分别为K1，设所述测试样本的数量为K2，为训练样本生成对应的标签，为测试样本生成对应的标签，其中，K1>K2>0；S2、对S1所述训练样本和测试样本进行预处理后进行图像幂变换增强和能量归一化处理，其中，所述预处理包括裁剪和滤波，所述图像幂变换增强和能量归一化处理的具体过程为：设经过预处理后的SAR图像的大小为M×N，则训练样本矩阵大小为M×N×K1，对应的标签大小为K1×1，则测试样本矩阵大小为M×N×K2，对应的标签大小为K2×1，M>0，N>0；S3、构建卷积神经网络，具体为：S31、初始化卷积神经网络，设置SAR图像分批训练的批大小为batchsize和训练次数为n，其中，25≤batchsize≤100，n≥300。S32、设卷积神经网络共L层，l∈{1,2...,L}表示卷积神经网络的第l层,z(l)表示l层的输入向量，y(l)表示l层的输出，w(l)和b(l)分别是第l层卷积神经网络的卷积核的权值和偏置，权值稀疏层的输出记为则l层的输入l层的输出损失函数E(w,D)采用交叉熵代价函数，设卷积神经网络第一层为输入层，所述卷积神经网络包括多个卷积层、maxpooling层、权值稀疏层和softmax层，其中，所述softmax层为卷积神经网络的最后一层，所述softmax层用于计算初始识别率，同时作为反向传播的开始层计算代价函数，L为最后一层卷积层的卷积核的个数，同时也是提取的特(l)xl+1l征的维数，q服从伯努利分布，激活函数factive(x)＝log(1+e)，权值w更新公式为：w＝w+χl+1，χl+1为权值更新变量，χl+1＝-αχl-βηwl-ηδ，α为动量项系数，β为权值衰减系数，η为学习率，δ为损失函数对权值的梯度，S33、令激活函数f(x)＝log(1+ex)，在卷积神经网络的每个卷积层中构建多个卷积核，所述卷积核的大小随层数减少，所述卷积核的数量随层数增加，所述卷积核的值为权值Wi，初始化卷积核的值为符合标准正态分布的随机数乘以0.01，卷积核的偏置bi初始值为0；S4、将训练图像和测试图像分别输入卷积神经网络，训练n次后，在卷积神经网络的最后一个卷积层得到最终的特征图，其中，所述特征图的矩阵大小为1×1，即一个数，所以对训练样本训练n次后，得到的训练数据特征为K1×L的矩阵，记为Mtrain，对测试样本得到的测试数据特征是K2×L的矩阵，记为Mtest；S5、对S4所述最终的特征图进行加权核特征分析，具体如下：S51、求出特征对应的在高维空间的投影矩阵K，其中，核矩阵的元素为Ki,j＝K(xi,xj)＝(φ(xi)).(φ(xj))，K(xi,xj)为满足Mercer条件的核函数；S52、求出S51所述投影矩阵K的协方差矩阵C，对C进行特征值分解得到C＝UΛU-1，其中，TU＝[u1,u2,...,ul]，uk＝[uk1uk1...ukl]，Λ为l×l的对角阵，对角线上的元素为别为λ1,λ2,...,λl，将对角矩阵Λ对角线的元素从大到小排列，矩阵U参照Λ排列；S53、计算加权核投影矩阵其中，M为2CN107545279A权利要求书2/2页样本个数，p对应从每个特