典型文献
基于改进的CNN和数据增强的SAR目标识别
文献摘要：
针对合成孔径雷达(synthetic aperture radar,SAR)图像目标识别问题,提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法.首先在训练阶段引入Dropout,随机删除部分神经元,增强网络的泛化能力.其次,在网络中引入L2正则化,简化模型的同时降低结构风险,并且能有效地抑制过拟合.然后,采用Adam优化网络,提高模型的收敛效率.最后,采用优选的数据增强方法,扩充SAR目标数据集,为网络训练提供更为充足的样本,进一步提高识别的准确率和模型的泛化性.在运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)数据集上进行了实验,结果表明设计的卷积神经网络识别准确率高,且具有更好的泛化性.
文献关键词：
雷达目标识别;合成孔径雷达;卷积神经网络;数据增强;正则化
中图分类号：
作者姓名：
王彩云;吴钇达;王佳宁;马璐;赵焕玥
作者机构：
南京航空航天大学航天学院,江苏南京210016;北京电子工程总体研究所,北京100854
文献出处：
引用格式：
[1]王彩云;吴钇达;王佳宁;马璐;赵焕玥-.基于改进的CNN和数据增强的SAR目标识别)[J].系统工程与电子技术,2022(08):2483-2487
A类：
B类：
数据增强,SAR,合成孔径雷达,synthetic,aperture,radar,目标识别方法,训练阶段,Dropout,删除,分神,泛化能力,L2,正则化,简化模型,过拟合,Adam,收敛效率,增强方法,网络训练,泛化性,静止,moving,stationary,target,acquisition,recognition,MSTAR,识别准确率,雷达目标识别
AB值：
0.407103
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
