1。2 国内外研究现状

1。3 论文的主要工作

全文的主要工作围绕栈式稀疏自编码器和卷积神经网络两个学习模型开展。首先对栈式 稀疏自编码器和卷积神经网络的理论、方法和基本原理进行理解，并提出相应的算法实现方 案。其中栈式稀疏自编码器以批量梯度下降法求解最优解，提取目标特征。而卷积神经网络 的多层卷积结构对 SAR 图像目标不断抽象从而提取出目标的特征图。CNN 算法中的池化层 选取最大池化准则。为简化计算，CNN 每层选择同样尺寸的卷积核。构建两种模型后，利用 MATLAB，通过 MNIST 数据库分别对两种模型进行算法验证。算法得到可实施性验证后， 再分别利用栈式稀疏自编码器和卷积神经网络提取 MSTAR 数据集中 SAR 图像的地面车辆的 潜在特征，从而实现了针对 MSTAR 数据库的 SAR 图像的特征提取功能。最后对两种算法提 取的特征进行性能比较，主要包括特征图比较、特征向量相关系数比较和资源消耗比较。探

讨不同算法模型的优缺点和各自不同适用领域。

1。4 论文结构安排

本文的主要结构安排如下文所述。 论文第一章为绪论。本章首先对学界近十年来的深度学习和 SAR ATR 领域的研究工作

进行了回顾，并对论文的主要工作进行了概括。 第二章为栈式稀疏自编码器（SSAE）基本原理及算法。本章主要对栈式稀疏自编码器

进行研究分析和实现，并利用 MNIST 数据库评估算法的可实施性。 第三章为卷积神经网络算法（CNN）的基本原理及算法。本章就卷积神经网络的基本原

理提出了算法实现方案，然后通过 MNIST 数据库验证算法。

第四章为 SSAE 和 CNN 性能比较与分析。在第二三章算法实现的基础上，利用 MSTAR 数据库，通过对比 SSAE 和 CNN 提取的特征图、特征向量的相关系数和资源消耗情况，进一 步比较两种算法的性能。

第五章总结了全文的研究工作，并展望了未来的进一步研究工作。

2 栈式稀疏自编码器基本原理及算法

栈式稀疏自编码器（Stacked Sparse Auto-encoder，SSAE）模拟了深度网络（Deep Network） 的训练方法，将两个稀疏自编码器堆叠起来，实现了多层网络。SSAE 算法模拟了哺乳类动 物的视觉初级视皮层 V1 区的简单细胞的视觉加工中的稀疏性响应活动。SSAE 较之单层网络 大大减少了所需神经网络节点数，且节点数随着层数的增加而减少。同时，SSAE 还可以训 练得到更为复杂的表达。所提取的特征由底层到高层逐层上升，即底层隐含层对应底层特征， 高层隐含层对应高层特征。因而 SSAE 的特征提取性能较之一般单层稀疏自编码器有一定程 度的提高。本章详细介绍了 SSAE 的基本原理及算法，并由此展开特征提取。来*自~优|尔^论:文+网www.youerw.com +QQ752018766*

2。1 SSAE 基本原理概述

2。1。1 稀疏自编码器原理

SSAE 由多个稀疏自编码器（Sparse Auto-encoder，SAE）[25,26]堆叠而成。自编码神经网 络是一种具有一个隐藏层的神经网络，学习逼近一个恒等函数，从而使函数的输出接近于输

入（即    (   )        ）。不同于主成分分析技术（PCA），SAE 试图找到图像的一组“超完备”

基底来表示图像，能够更为高效地表达数据内部的结构与模式。另一方面该算法通过稀疏性

来弥补“超完备”引起的退化。其稀疏性表现为若一个神经元在其输出接近于 1 时被激活， 在输出逼近于 0 时则被抑制。常用的激活函数有 sigmoid 函数和 tanh 函数。再通过额外的稀 疏惩罚项，使重构误差最小化，以此激励隐藏单元保持较低的平均激活值。给隐藏层强加稀 疏约束后，自动编码器能够获得输入数据的结构