图 4。6 SSAE 目标特征提取结果 36

图 4。7 SAR 原始图像 37

图 4。8 C1 和 S2 特征图 38

图 4。9 C3 和 S4 特征图 39

本科毕业设计说明书 第 III 页

表 目 录

表 2。1 SAE 无监督学习算法伪代码 7

表 2。2 批量梯度下降法伪代码 10

表 2。3 SSAE 拓扑结构 15

表 2。4 SSAE 参数表 16

表 3。1 CNN 拓扑结构 24

表 3。2 CNN 测试参数表 24

表 3。3 CNN 手写字体混淆矩阵 26

表 4。1 实验数据统计 28

表 4。2 2D-CA-CFAR 参数表 33

表 4。3 SSAE 拓扑结构 34

表 4。4 SSAE 测试参数表 34

表 4。5 CNN 拓扑结构 35

表 4。6 CNN 梯度下降参数 35

表 4。7 Softmax 分类器混淆矩阵 36

表 4。8 SSAE 三分类混淆矩阵 37

表 4。9 SCAE 三分类混淆矩阵 40

表 4。10 SSAE 内存占用量 41

表 4。11 SCAE 内存占用量 41

表 4。12 特征提取器资源消耗表 41

第 IV  页 本科毕业设计说明书

本科毕业设计说明书 第 1  页

1 绪论

1。1 研究背景和意义

合成孔径雷达（Synthetic Aperture Radar, SAR）是一种应用合成孔径原理的主动式微波 成像雷达。SAR 图像与光学图像成像原理不同，它一般靠雷达自身发射的微波的反射波成像， 反映了电磁波的反射波强度。因而 SAR 图像不受光照、天气等影响，具有全天时全天候高分 辨率的特点。微波信号中的极化信息、相位信息和多普勒频率信息也强化了 SAR 的探测能 力。故 SAR 在军用、民用领域有着广泛的应用。同时，SAR ATR 领域的地面监测受制于两 个方面[1]，一是 SAR 图像目标特征的多样性和易变性使得很难得到易于判读的精细特征，需 要专人进行解译；二是 SAR 图像幅宽和数据量庞大，传统的人工解译耗时耗力，且目标分类 识别结果不佳。因此，SAR 图像自动目标识别技术（SAR ATR）成为了国内外一大研究热点， 而其中的核心问题则是目标的特征提取。论文网 基于深度学习理论的高分辨率SAR图像人造目标特征分析(3):http://www.youerw.com/tongxin/lunwen_85171.html