[发明专利]基于CNN的MSTAR数据噪声强度控制的分类识别方法

权利要求书

1.一种基于CNN的MSTAR数据噪声强度控制的分类识别方法，包括以下步骤：

搭建卷积神经网络模型；

获取MSTAR图像，并检测图像包含噪声程度等级；

依据识别需求，设定合理可控的噪声等级，选择设定噪声等级以下的噪声图像作为原始图像训练集；

以平移截取的方式扩充图像样本，将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试；

将训练完成后的卷积神经网络模型用于目标图像分类识别。

2.根据权利要求1所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，在选择噪声图像作为原始图像训练集时，选择在俯仰角17°下的三类目标图像中每张图像添加5种同一水平、随机分布的噪声。

3.根据权利要求2所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，选择的所述噪声的噪声强度为0.25-2，噪声间隔为0.25。

4.根据权利要求3所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，添加噪声后的图像再以平移截取的方式扩充16倍，得到扩充后的混合分布噪声图像训练集。

5.根据权利要求4所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，所述卷积神经网络模型包括依次设置的三层交替层和两层全连接层。

6.根据权利要求5所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，所述交替层包括卷积层和池化层。

7.根据权利要求6所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，所述卷积层用于提取图像特征，其计算过程如下式：

其中W_ij为卷积核；h×w为尺寸；x_ij为图像局部，b为偏置；f表示激活函数；y_i′j′表示输出结果。

8.根据权利要求7所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，所述池化层用于降低卷积层的输出维度，其计算过程如下式：

其中x_ij为图像局部，m×m为池化核尺寸，f(x)为经过最大池化后的输出结果。

9.根据权利要求8所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，全连接层为将特征映射到图像标签分类的概率值，其计算过程如下式：

其中α_j为该向量中对应的第i个元素值，s_i则是网络预测的对应样本分类概率，e是自然对数底数。

10.根据权利要求1所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法，其特征在于，根据目标图像分类识别的结果，提出噪声强度控制方法。