[发明专利]一种基于GTAF的SAR多极化宽幅遥感影像的识别方法

权利要求书

1.一种基于GTAF的SAR多极化宽幅遥感影像的识别方法，其特征在于，包括以下步骤：

S1、对SAR图像进行滑窗裁剪，构造SAR三维转动舰船目标训练集与测试集；

S2、通过GTAF的前向传播与反向传播算法，利用所述训练集训练CV-CNN，通过CV-CNN自学习并提取样本的深层本质特征，训练完全部训练数据即可得到基于SAR多极化宽幅遥感影像识别模型；

S3、将所述测试集输入到所述模型中，通过全连接层与输出层，实现对SAR地物的识别。

2.根据权利要求1所述的识别方法，所述滑窗裁剪的尺寸为W×H＝13×13。

3.根据权利要求1所述的识别方法，所述GTAF包括一个普通实数域激活函数和一个高斯函数，用于联合激活神经元的实部和虚部。

4.根据权利要求3所述的识别方法，GTAF前向传播中，复数域输入经GTAF处理后得复数域输出前向计算公式如下：

其中，代表复数的实部和虚部，j为虚数单位，σ(·)代表实数域激活函数，m、p、q为GTAF中可学习的参量，初始m＝1、p＝0、q＝1。

5.根据权利要求4所述的识别方法，GTAF反向传播中，m、p、q的误差项分别为

其中，代表高斯型激活函数输出a的误差项的实部和虚部。

6.根据权利要求5所述的识别方法，高斯型激活函数反向传播中，m、p、q的参量更新的公式为：

m←m+αδ_m

p←p+αδ_D

q←q+αδ_q

其中α为学习率。

7.根据权利要求6所述的识别方法，所述CV-CNN包括输入层、输出层、三个卷积层、一个池化层和一个完全连接层；

其中，输入层为13×13×6，表示SAR切片的大小为13×13，通道数为6；

在第一个卷积层，输入图像通过6个尺寸为2×2×6的卷积滤波器进行滤波，得到6个尺寸为12×12的特征图；

接着经过一个平均池化层，池大小为2×2，步幅为1，特征图的大小变成了6×6；

第二个卷积层的滤波大小为2×2×6×12，生成12张特征图，大小为5×5；

第三个卷积层的滤波大小为2×2×6×12，生成12张大小为4×4的特征图；

然后，将三维特征映射到一维向量，生成192个神经元作为全连接层；

最后，输出层包含c个神经元，其中c等于地物类别的数量。

8.根据权利要求7所述的识别方法，CV-CNN前向传播部分的具体步骤为：

T1、初始化各卷积层、全连接层与输出层的权值矩阵与偏置，初始化各高斯型激活函数中的可学习参量m＝1、p＝0、q＝1；

T2、计算第1个卷积层的未经激活函数的输出：

并将用GTAF进行激活；

T3、计算池化层的输出，池化层采用平均池化；

T4、按照所述T2、依次计算第2个卷积层和第3个卷积层的输出；

T5、将第3个卷积层的输出拉伸为一维向量作为全连接层，并与全连接层的权值相乘，再经过高斯型激活函数进行激活得到输出层输出结果；

T6、计算出输出向量中每个元素幅度，幅度最大的元素的位置编号即为所属地物类别。

9.根据权利要求8所述的识别方法，CV-CNN反向传播部分的具体步骤为：

U1、计算各卷积层、全连接层与输出层误差项；

U2、计算卷积层、输出层中高斯型激活函数的参量梯度；

U3、完成各卷积层、全连接层的权值更新；

U4、完成各卷积层、全连接层的高斯型激活函数的参量更新。

10.一种高斯型激活函数在SAR地物分类领域研究中的应用。