基于CAE与HL-CNN的小样本SAR目标识别方法

发明专利有效专利

申请号：
CN201911029117.1
IPC分类号：G06K9/62;G06N3/04
申请日期：
2019-10-28
申请人：
北京理工大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于CAE与HL-CNN的小样本SAR目标识别方法
申请号	CN201911029117.1	申请日期	2019-10-28
法律状态	授权	申报国家	中国
公开/公告日	2020-02-07	公开/公告号	CN110766084A
优先权	暂无	优先权号	暂无
主分类号	G06K9/62 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06K 数据识别；数据表示；记录载体；记录载体的处理（印刷本身入B41J） G06K9/00 用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置（用于图表阅读或者将诸如力或现状态的机械参量的图形转换为电信号的方法或装置入G06K 11/00；语音识别入G10L 15/00）〔1，7〕 G06K9/62 应用电子设备进行识别的方法或装置〔3〕	IPC分类号	G;0;6;K;9;/;6;2;;;G;0;6;N;3;/;0;4查看分类表>
申请人	北京理工大学	申请人地址	北京市海淀区中关村南大街5号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	北京理工大学	当前权利人	北京理工大学
发明人	傅雄军;秦锐;郎平;常家云;蒋文;赵聪霞
代理机构	北京正阳理工知识产权代理事务所（普通合伙）	代理人	王民盛

摘要

本发明涉及基于CAE与HL‑CNN的小样本SAR目标识别方法，属于基于深度学习的模式识别以及雷达目标识别技术领域。所述小样本SAR目标识别方法，采用迁移学习方法将CAE特征表示学习网络与非贪婪的HL‑CNN分类网络结合起来；CAE特征表示学习网络通过重构训练集中的图像，得到一个完备的特征表示，防止非贪婪的分类网络因特征提取不足而导致分类性能下降，HL‑CNN分类网络采用基于最大类间间距的hinge loss分类器对CAE学习到的特征表示微调并得到分类网络，有效防止过拟合现象的发生。所述方法防止了小样本下的过拟合现象，在较少训练样本下获得了相比A‑ConvNet和传统CNN更高的测试精度。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供