王健，秦春霞，楊珂，任萍

(1.西北工業(yè)大學(xué) 電子與信息學(xué)院，陜西 西安 710129；2.西北工業(yè)大學(xué) 第365研究所，陜西 西安 710065)

0 引言

近年來，隨著深度學(xué)習(xí)技術(shù)在合成孔徑雷達(dá)(SAR)目標(biāo)識(shí)別中的應(yīng)用研究，針對(duì)SAR圖像目標(biāo)識(shí)別中影響精度特征提取和分類器設(shè)計(jì)兩個(gè)關(guān)鍵因素，國(guó)內(nèi)外學(xué)者提出了許多SAR目標(biāo)識(shí)別算法。馮秋晨等[1]將卷積神經(jīng)網(wǎng)絡(luò)(CNN)和多尺度特征提取模塊應(yīng)用于SAR圖像的變體目標(biāo)識(shí)別。Chen等[2]將CNN全連接方式替換為稀疏連接形式，采用Dropout策略減少卷積層參數(shù)并進(jìn)行了特征提取。徐少平等[3]基于深度置信網(wǎng)絡(luò)(DBN)訓(xùn)練隨機(jī)脈沖噪聲檢測(cè)(RVIN檢測(cè)器)預(yù)測(cè)模型，將特征矢量映射為噪聲類型標(biāo)簽。Deng等[4]將歐氏距離限制與自編碼器(AE)相結(jié)合，增加了樣本異類間距，減小了類內(nèi)間距。Kang等[5]采用貪婪分層訓(xùn)練對(duì)稀疏自編碼器(SAE)進(jìn)行預(yù)訓(xùn)練并用Softmax分類器完成了目標(biāo)分類。丁軍等[6]基于同類數(shù)據(jù)的類內(nèi)間距較小和異類數(shù)據(jù)類間距較大的思想，在受限玻爾茲曼機(jī)(RBM)中引入相似性約束，并在RBM學(xué)習(xí)過程中加入了判決信息。崔宗勇[7]在對(duì)數(shù)最大似然目標(biāo)函數(shù)的基礎(chǔ)上加入L0.5范數(shù)正則化約束，得到更為稀疏的特征表示。徐靜[8]基于平移不變Shearlet變換的SAR圖像目標(biāo)識(shí)別，對(duì)低頻和高頻子帶特征的多尺度分析、加權(quán)融合處理和稀疏表示模型進(jìn)行了分類。Yu等[9]采用多流型低秩近似(MLA)進(jìn)行SAR特征提取，將局部稀疏表示(LSR)作為分類判決輸出。楊龍等[10]采用基于像素對(duì)像素生成式對(duì)抗網(wǎng)絡(luò)(GAN)的數(shù)據(jù)增廣技術(shù)和改進(jìn)單次多盒檢測(cè)器的SAR艦船檢測(cè)算法進(jìn)行SAR目標(biāo)識(shí)別。Song等[11]采用算子SAR圖像目標(biāo)識(shí)別的梯度方向直方圖算子(SAR-HOG)進(jìn)行SAR特征提取，分別采用監(jiān)督判決字典學(xué)習(xí)和稀疏表示(SDDLSR)、支持向量機(jī)(SVM)、最近鄰分類器(KNN)、稀疏表示分類(SRC)和標(biāo)簽一致的核奇異值分解(LCK-SVD)作為分類器輸出。上述算法能夠?qū)?biāo)準(zhǔn)環(huán)境中的SAR目標(biāo)達(dá)到較理想的識(shí)別率，但其泛化能力較弱，計(jì)算復(fù)雜度也比較高，無法滿足實(shí)時(shí)快速的SAR目標(biāo)識(shí)別[12]。

針對(duì)上述問題，本文提出一種基于導(dǎo)向重構(gòu)與降噪稀疏自編碼器(DSAE)的SAR目標(biāo)分類算法。首先，利用導(dǎo)向重構(gòu)算法對(duì)SAR圖像進(jìn)行兩尺度融合預(yù)處理，生成一維圖像矢量并作歸一化處理，降低圖像輸出特征的維度并提高預(yù)處理的速度；然后，采用減少DSAE隱層神經(jīng)元方式對(duì)圖像進(jìn)行低維特征抽取和識(shí)別，有效降低算法的復(fù)雜度；最后，采用Softmax分類器進(jìn)行分類處理。實(shí)驗(yàn)測(cè)試結(jié)果表明，本文算法不僅可以提高目標(biāo)識(shí)別性能以及泛化能力，而且能夠降低AE的隱層神經(jīng)元數(shù)量和計(jì)算復(fù)雜度，網(wǎng)絡(luò)結(jié)構(gòu)也得到改進(jìn)和優(yōu)化。

1 基于導(dǎo)向?yàn)V波器的SAR圖像重構(gòu)算法

對(duì)于目標(biāo)識(shí)別，通過對(duì)源圖像進(jìn)行重構(gòu)預(yù)處理，可突出異類目標(biāo)圖像之間的差異性。本文采用基于導(dǎo)向?yàn)V波(GF)器特征映射圖對(duì)圖像進(jìn)行兩尺度圖像重構(gòu)[13]。GF是基于線性邊緣保持濾波算法，對(duì)圖像的處理不依賴于濾波核的大小，從而避免在濾波過程中產(chǎn)生振鈴效應(yīng)。基于GF器的SAR圖像重構(gòu)算法以局部的線性模型為基礎(chǔ)，將GF作為引導(dǎo)圖像，輸出圖像不僅保留了輸入圖像的大部分特征，而且可最大程度地提取引導(dǎo)圖像的紋理特征。相對(duì)于現(xiàn)有的一些算法，導(dǎo)向重構(gòu)算法能夠更好地保留SAR圖像像素的空間連續(xù)性特征。本文SAR目標(biāo)分類的識(shí)別算法利用源圖像做導(dǎo)向重構(gòu)的最終目標(biāo)，是為了重點(diǎn)突出不同種類SAR樣本特征的差異性，GF器進(jìn)行兩尺度重構(gòu)的核心部分在于構(gòu)造SAR樣本特征的權(quán)值映射。

首先，對(duì)源圖像In(n為源圖像個(gè)數(shù))做拉普拉斯濾波處理，將處理后的高頻圖像取絕對(duì)值，并作局部平均特征映射圖Sn：

Sn=|In×L|×gr,σ，

(1)

式中：L為3×3階拉普拉斯濾波器；gr,σ為標(biāo)準(zhǔn)差為σ的(2r+1)×(2r+1)階高斯低通濾波器，r和σ均設(shè)置為5[6].通過Sn可以有效表征圖像高頻細(xì)節(jié)分量的顯著性水平，Sn的權(quán)重圖Pn如下：

(2)

(3)

(4)

2 基于DSAE的低維特征抽取和正則化分類輸出

AE是一種無監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，用低維的特征失量對(duì)原始圖像進(jìn)行重構(gòu)，可極大地減少特征之間的冗余信息。AE在提取低維特征的過程中增加稀疏約束就構(gòu)成稀疏AE.當(dāng)標(biāo)記的樣本數(shù)量比較小時(shí)，無監(jiān)督稀疏AE可以防止過擬合，有效提高網(wǎng)絡(luò)的非線性映射能力。

2.1 基于DSAE的低維特征抽取

H=sf(WX+Bh)，

(5)

Y=g(H)=sg(WTH+By)，

(6)

式中：sf為編碼器的非線性激活Sigmoid函數(shù)；W為權(quán)值矩陣，W的維度為dh×dx；Bh為偏置向量，Bh∈Rdh；g(H)為解碼器非線性映射；sg為解碼器的激活函數(shù)；By為解碼器的偏置向量，By∈Rdx.

由于編碼器具有很強(qiáng)的非線性映射和重構(gòu)表征能力，在訓(xùn)練AE參數(shù)W、Bh和By的過程中，伴隨網(wǎng)絡(luò)深度和神經(jīng)元數(shù)量的增加，DSAE對(duì)SAR樣本的低維度表征能力越優(yōu)，同時(shí)也加重了網(wǎng)絡(luò)的過擬合，影響了訓(xùn)練網(wǎng)絡(luò)的速度和SAR樣本的分類性能。Dropout算法[16]是解決過擬合問題的一種高效方法，將DSAE與Dropout相結(jié)合，網(wǎng)絡(luò)的泛化性能有所改善，能夠降低算法的復(fù)雜度。為此，采用正則化Dropout降噪自編碼器(DAE)改善網(wǎng)絡(luò)泛化性能，輸入層、隱層和輸出層神經(jīng)元的映射關(guān)系如下：

rl,j～Be(P)，

(7)

(8)

(9)

Yl+1,i=f(Zl+1,i)，

(10)

為了保證隱層神經(jīng)元提取SAR樣本具有魯棒性的低維特征，改進(jìn)算法的泛化能力，引入DAE.首先在訓(xùn)練樣本中添加不同程度的隨機(jī)噪聲，然后誘導(dǎo)AE去學(xué)習(xí)如何減少噪聲對(duì)原始樣本的影響，并最大限度地降低訓(xùn)練樣本數(shù)據(jù)與測(cè)試樣本數(shù)據(jù)的差異性，從而實(shí)現(xiàn)更加魯棒的輸出特征表示。由于DAE在訓(xùn)練過程中就盡可能去降低噪聲的干擾，DAE的泛化能力比一般編碼器要強(qiáng)。具體實(shí)現(xiàn)步驟為：先以一定概率分布(一般取二項(xiàng)分布)對(duì)樣本元素隨機(jī)置0，并通過損失函數(shù)不斷迭代更新權(quán)值、計(jì)算AE輸出，再與原始SAR圖像數(shù)據(jù)做誤差迭代。其中，DAE隱層的輸出就是編碼器的低維特征，通過(11)式計(jì)算最小代價(jià)函數(shù)，解碼器就能夠無失真地從編碼器的低維特征重建出SAR樣本。AE的誤差函數(shù)可以由下式表示：

(11)

式中：JAE(θ)為樣本重建誤差函數(shù)，θ∈{W,Bh,By}為自編碼器學(xué)習(xí)權(quán)重與偏置等參數(shù)；L(x,y)為損失函數(shù)，x、y為輸入數(shù)據(jù)和重構(gòu)數(shù)據(jù)；g(f(x))為懲罰函數(shù)。AE的學(xué)習(xí)過程就是在生成重構(gòu)的解碼器損失函數(shù)L(x,y)中采用懲罰函數(shù)g(f(x))，使得g(f(x))和x的差異最小化。由此可知，AE的目的就是找到一組最優(yōu)的參數(shù)θ，以滿足輸入樣本與提取的低維特征之間重建的誤差最小。

2.2 基于正則化Softmax的分類輸出

Softmax分類器是一種滿足多項(xiàng)式分布的基于監(jiān)督學(xué)習(xí)的判別模型，是一種將解決二分類問題的Logistic回歸分類模型推廣到多分類問題的形式。對(duì)于訓(xùn)練集，{(x1,y1),…,(xn,yn),…,(xN,yN)}，xn表示當(dāng)訓(xùn)練集經(jīng)過DSAE后所提取的一個(gè)維度為dx的一維特征矢量，yn為數(shù)據(jù)的標(biāo)簽值，yn∈{1,2,…,q}，q為樣本的種類(q取值為3或者10)。假設(shè)輸出函數(shù)hW(x)為

(12)

(13)

損失函數(shù)J(W)的第1項(xiàng)為存在冗余的權(quán)重參數(shù)，1{·}為取指函數(shù)，對(duì)于式中大括號(hào)取值，當(dāng)式中值為真時(shí)該函數(shù)的值為1，相反情況下則為0；第2項(xiàng)為正則化約束的參數(shù)懲罰項(xiàng)，λ為參數(shù)懲罰項(xiàng)系數(shù)。參數(shù)yn為n維，模型參數(shù)Wnm為q×(M+1)維。最初設(shè)計(jì)的損失函數(shù)J(W)只有第1項(xiàng)，不滿足求解最優(yōu)參數(shù)條件的凸函數(shù)條件，通過添加第2項(xiàng)懲罰項(xiàng)，損失函數(shù)J(W)就變?yōu)閲?yán)格凸函數(shù)，即在分類器權(quán)重系數(shù)中加入正則化約束可求解最優(yōu)化的解，這里設(shè)定λ=10-4.通過梯度下降法對(duì)正則化Softmax的損失函數(shù)J(W)進(jìn)行求導(dǎo)，可得到目標(biāo)輸出函數(shù)。

3 基于GF重構(gòu)與DSAE的SAR目標(biāo)識(shí)別算法

為了能夠識(shí)別出SAR圖像中的目標(biāo)，設(shè)計(jì)一種能夠從輸入圖像中捕獲或增強(qiáng)這些細(xì)微差別的算法，以進(jìn)一步提高目標(biāo)的識(shí)別精度。本文算法原理如圖1所示。首先，利用導(dǎo)向重構(gòu)算法對(duì)SAR圖像做預(yù)處理，這種預(yù)處理不僅可以降低輸出特征的維度，而且與Shearlet變換的降噪方法相比，預(yù)處理的速度更快，識(shí)別性能更優(yōu)；然后，對(duì)重構(gòu)SAR圖像的中心進(jìn)行裁剪固定大小圖像，構(gòu)成訓(xùn)練集中的一維矢量樣本，再用DSAE對(duì)圖像進(jìn)行低維特征提取；最后，用正則化Softmax分類器對(duì)SAR目標(biāo)進(jìn)行分類處理。

圖1 基于導(dǎo)向重構(gòu)與DSAE的SAR目標(biāo)識(shí)別算法Fig.1 SAR target recognition algorithm based on guided filter reconstruction and denoising sparse autoencoder

利用GF重構(gòu)與DSAE算法對(duì)SAR目標(biāo)進(jìn)行識(shí)別，當(dāng)網(wǎng)絡(luò)訓(xùn)練參數(shù)對(duì)訓(xùn)練數(shù)據(jù)過度擬合時(shí)會(huì)降低測(cè)試集擬合能力和識(shí)別性能，造成網(wǎng)絡(luò)泛化性能差。因此需要解決由有限的SAR數(shù)據(jù)集引起的模型訓(xùn)練過擬合問題。在研究導(dǎo)向重構(gòu)與DSAE訓(xùn)練的過程中，采用Dropout操作消除和弱化隱層神經(jīng)元之間的聯(lián)合適應(yīng)性，可以實(shí)現(xiàn)更好的泛化能力。本文通過實(shí)驗(yàn)驗(yàn)證，當(dāng)在Softmax層之前添加Dropout層并設(shè)置Dropout為0.5時(shí)，可以丟棄一部分神經(jīng)元，這種方式可以在訓(xùn)練階段提高模型泛化能力。

4 仿真實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證本文算法的性能，采用MSTAR數(shù)據(jù)集中的3類樣本庫，為便于比較本文算法和參考文獻(xiàn)[3，5-8，11]的相關(guān)算法識(shí)別性能，訓(xùn)練集和測(cè)試集分別采用俯仰角分別為17°和15°的數(shù)據(jù)。3類目標(biāo)包括BMP-2步兵戰(zhàn)車(包含型號(hào)SN-9563、SN-9566和SN-C21)、T-72坦克(包含型號(hào)SN-132、SN-812和SN-S7)、BTR-70裝甲運(yùn)輸車(包含型號(hào)SN-C71)等7個(gè)樣本，分別如表1和表2所示。測(cè)試環(huán)境為Intel(R) Core(TM) i5-3230M CPU@2.6 GHz，內(nèi)存為4 GB，采用MATLAB R2016a軟件編程。

表1 3類SAR目標(biāo)訓(xùn)練集和測(cè)試集樣本數(shù)據(jù)Tab.1 Dataset description of three types of SAR targets

表2 待識(shí)別的3類目標(biāo)光學(xué)圖像和SAR圖像Tab.2 SAR images and their corresponding optical images of three types of targets

4.1 Dropout參數(shù)設(shè)置對(duì)識(shí)別率影響

為解決過擬合問題，本文算法不采用修改代價(jià)函數(shù)方式解決，而是采用Dropout操作，隨機(jī)將隱層神經(jīng)元節(jié)點(diǎn)以一定比例數(shù)目使之失效。利用本操作可隨機(jī)刪除一些隱層節(jié)點(diǎn)，使之不參與整個(gè)運(yùn)算過程來減少對(duì)網(wǎng)絡(luò)間各參數(shù)的依賴性，以達(dá)到更稀疏的表達(dá)網(wǎng)絡(luò)學(xué)習(xí)目的，從而減少神經(jīng)元之間的過度擬合。為測(cè)試實(shí)驗(yàn)網(wǎng)絡(luò)神經(jīng)元按照一定比例失效對(duì)識(shí)別率的影響，設(shè)置Dropout為不同參數(shù)時(shí)的測(cè)試結(jié)果如表3所示。測(cè)試的導(dǎo)向重構(gòu)與DSAE算法其他參數(shù)設(shè)置步驟為：先將128×128 SAR圖像中心裁剪為32×32大小圖像塊，再矢量化為1×1 024一維矢量，最后采用本文導(dǎo)向重構(gòu)與DSAE算法循環(huán)訓(xùn)練并測(cè)試3類目標(biāo)的識(shí)別率。由表3可以看出，Dropout神經(jīng)元失效比例從0開始逐漸增大，網(wǎng)絡(luò)識(shí)別率逐漸提高，當(dāng)Dropout失效比例為0.5時(shí)識(shí)別率最高，隨后開始下降。這種利用在網(wǎng)絡(luò)隱層中采用Dropout的處理方式，有效減少了神經(jīng)元之間復(fù)雜的共適性，因此可提高網(wǎng)絡(luò)模型泛化性。

表3 Dropout參數(shù)設(shè)置對(duì)3類目標(biāo)識(shí)別率的影響Tab.3 Target recognition rates at different dropout ratios

4.2 重構(gòu)預(yù)處理方法對(duì)識(shí)別率影響

首先利用GF重構(gòu)算法對(duì)128×128圖像做重構(gòu)預(yù)處理，其次將預(yù)處理后SAR圖像中心裁剪固定32×32或者64×64大小兩種圖像塊，然后分別矢量化成1×1 024或者1×4 096兩種一維矢量，以構(gòu)成訓(xùn)練集樣本，最后分別采用Shearlet[8]和本文算法進(jìn)行測(cè)試，塊大小為12，循環(huán)次數(shù)為15次，Dropout值為0.5，噪聲系數(shù)為0.

3類目標(biāo)識(shí)別率如表4所示。當(dāng)隱層神經(jīng)元數(shù)量相同時(shí)，采用Softmax分類器的Initial-DSAE-Softmax算法相較采用Sigmoid分類器的Initial-DSAE-Sigmoid算法進(jìn)行特征提取和識(shí)別率較高；而Initial-DSAE-Softmax算法要達(dá)到與本文算法接近的性能，需要增加隱層神經(jīng)元的數(shù)量；同時(shí)，Shearlet-DSAE-Softmax算法采用Shearlet變換對(duì)訓(xùn)練集進(jìn)行降噪處理和多尺度重構(gòu)[8]，比Initial-DSAE-Softmax算法性能更好；相較包含復(fù)雜的非下采樣金字塔分解與Shearlet變換濾波器組操作的Shearlet-DSAE-Softmax算法，本文利用導(dǎo)向重構(gòu)預(yù)處理算法，算法復(fù)雜度低，目標(biāo)識(shí)別率更高，速度更快，算法識(shí)別性能更優(yōu)。

表4 相同網(wǎng)絡(luò)結(jié)構(gòu)不同重構(gòu)預(yù)處理方法的3類目標(biāo)識(shí)別率Tab.4 Target recognition rates of different reconstruction preprocessing methods for the same network structure

為測(cè)試兩種預(yù)處理方法對(duì)于識(shí)別性能影響，分別選擇SN-9563、SN-C71和SN-132，3類目標(biāo)兩種預(yù)處理混淆矩陣(即誤差矩陣)。由圖2可見，對(duì)于圖中4種網(wǎng)絡(luò)結(jié)構(gòu)，將BTR-70誤判為BMP-2的概率(分別為0.015 4，0.025 6，0.041 0，0.035 9)大于誤判為T-72的概率(分別為0，0.015 3，0.005 1，0.015 3)，T-72誤判為BMP-2的概率(分別為0.015 4，0.015 4，0.056 4，0.051 3)大于誤判為BTR-70的概率(分別為0，0，0，0.005 1)。表明BTR-70與T-72兩類目標(biāo)之間的類間相似程度小，BMP-2與BTR-70之間、BMP-2與T-72之間的類間相似性大。同時(shí)，采用導(dǎo)向重構(gòu)預(yù)處理的GF-SAE-Softmax網(wǎng)絡(luò)結(jié)構(gòu)，其將BTR-70誤判為BMP-2的概率以及將T-72誤判為BMP-2的概率要小于Initial-Sigmoid和Initial-Softmax的網(wǎng)絡(luò)結(jié)構(gòu)。由此可見，通過導(dǎo)向重構(gòu)預(yù)處理可提高BMP-2與BTR-70之間、BMP-2與T-72兩類目標(biāo)之間的類間差異性，進(jìn)一步提高了3類SAR目標(biāo)的識(shí)別性能。

圖2 兩種預(yù)處理方法對(duì)應(yīng)BMP-2步兵戰(zhàn)車、BMP-70裝甲運(yùn)輸車、T-72坦克3類目標(biāo)的混淆矩陣Fig.2 Confusion matrixes of three types of targets for two types of preprocessing methods

4.3 降噪和非DSAE結(jié)構(gòu)對(duì)識(shí)別率的影響

為測(cè)試在相同導(dǎo)向重構(gòu)預(yù)處理方法下采用SAE和DSAE兩種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)識(shí)別性能的影響，設(shè)置循環(huán)次數(shù)為15次、Dropout值為0.5、學(xué)習(xí)率變化因子為0.96等參數(shù)不變，改變DSAE各層的神經(jīng)元數(shù)量。測(cè)試結(jié)果如表5所示。由表5可見，未采用DSAE(噪聲系統(tǒng)為0)，輸入神經(jīng)元為1 024網(wǎng)絡(luò)識(shí)別性能最優(yōu)；采用DSAE(噪聲系統(tǒng)為0.3)，輸入神經(jīng)元為1 024網(wǎng)絡(luò)的識(shí)別、魯棒性特征提取和泛化能力都得到進(jìn)一步提高。

表5 相同預(yù)處理方法不同網(wǎng)絡(luò)結(jié)構(gòu)的3類目標(biāo)識(shí)別性能Tab.5 Three types of target recognition performances of different network structures with the same preprocessing methods

4.4 導(dǎo)向重構(gòu)DSAE的相關(guān)參數(shù)對(duì)識(shí)別率的影響

利用導(dǎo)向重構(gòu)算法對(duì)SAR圖像做重構(gòu)預(yù)處理，采用DSAE提取SAR圖像的低維魯棒性特征并用Softmax分類器對(duì)SAR目標(biāo)分類處理，分別進(jìn)行以下3種實(shí)驗(yàn)測(cè)試：1)循環(huán)次數(shù)1次，學(xué)習(xí)率變化因子為0.96，通過隱層網(wǎng)絡(luò)節(jié)點(diǎn)的Dropout設(shè)置為0.5時(shí)丟棄上層的神經(jīng)元，在訓(xùn)練階段提高模型泛化能力，網(wǎng)絡(luò)結(jié)構(gòu)塊不同的3類目標(biāo)識(shí)別率如表6所示；2)保持網(wǎng)絡(luò)結(jié)構(gòu)不變，當(dāng)網(wǎng)絡(luò)輸入層為4 096時(shí)，塊大小設(shè)置為24，Dropout設(shè)置為0，網(wǎng)絡(luò)參數(shù)不同的最優(yōu)識(shí)別率如表7所示；3)保持相關(guān)測(cè)試參數(shù)不變，數(shù)據(jù)缺損下算法魯棒性如表8所示。

表6 網(wǎng)絡(luò)結(jié)構(gòu)塊不同的3類目標(biāo)識(shí)別率Tab.6 Three types of target recognition rates for different network structure blocks

表7 參數(shù)不同的3類目標(biāo)識(shí)別率Tab.7 Three different types of target recognition rates

由表6和表7可見，當(dāng)噪聲系數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)相同時(shí)，雖然DSAE和權(quán)值固定前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率不同，但其識(shí)別性能相同。由表8可見，當(dāng)噪聲系數(shù)由0增加到0.35時(shí)數(shù)據(jù)缺損，與原SAR數(shù)據(jù)樣本相比，通過對(duì)輸入的訓(xùn)練樣本部分置0處理，相當(dāng)于對(duì)樣本加入了不同程度的缺損，不僅能夠讓噪聲對(duì)結(jié)果的影響大大降低，而且缺損數(shù)據(jù)在一定程度上減少了訓(xùn)練集與測(cè)試樣本的差異，算法的識(shí)別性能也從96.25%增加到97.96%，識(shí)別性能逐漸得到提高；當(dāng)噪聲系數(shù)進(jìn)一步增加到0.40時(shí)，識(shí)別性能并不滿足單調(diào)遞增性，網(wǎng)絡(luò)識(shí)別性能達(dá)到一個(gè)穩(wěn)定點(diǎn)。

表8 數(shù)據(jù)缺損下算法的魯棒性Tab.8 Robustness of algorithm for data defect

4.5 本文算法擴(kuò)展環(huán)境中魯棒性識(shí)別率

為進(jìn)一步測(cè)試本文算法魯棒性，采用15°俯仰角下的擴(kuò)展目標(biāo)為訓(xùn)練集，俯仰角為30°或者45°為測(cè)試集，分別測(cè)試俯仰角和配置參數(shù)變化的識(shí)別性能，結(jié)果如表9所示。由表9可見，測(cè)試樣本為30°時(shí)，文獻(xiàn)[11]中的SAR-HOG算子與本文算法比文獻(xiàn)[8]中的MLA-LSR效果更好；本文采用Softmax分類器輸出，比文獻(xiàn)[11]采用SVM、KNN、SRC、LCK-SVD輸出分類性能更優(yōu)；本文算法比文獻(xiàn)[11]中的SDDLSR算法魯棒性稍差，但是本文算法訓(xùn)練速度更快、識(shí)別效率更高。隨著測(cè)試樣本俯仰角從30°增加至45°，算法識(shí)別率有所降低，但本文算法仍比其他算法性能更優(yōu)。

表9 俯仰角和配置等參數(shù)變化的正確識(shí)別率Tab.9 Correct recognition rates of parameter changes of depression angle and configuration

為進(jìn)一步測(cè)試網(wǎng)絡(luò)性能，分別測(cè)試擴(kuò)展環(huán)境下網(wǎng)絡(luò)結(jié)構(gòu)、配置、俯仰角等參數(shù)的識(shí)別性能，結(jié)果如表10所示。由表10可以看出，對(duì)于俯仰角為17°的測(cè)試樣本，網(wǎng)絡(luò)結(jié)構(gòu)為4 096-98的識(shí)別性能最優(yōu)；當(dāng)俯仰角為15°的測(cè)試樣本，網(wǎng)絡(luò)結(jié)構(gòu)為1 024-98時(shí)的識(shí)別性能最優(yōu)。表11描述了本文算法在最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)以及最優(yōu)參數(shù)下俯仰角和配置發(fā)生變換時(shí)的識(shí)別性能。通過計(jì)算，本文算法在30°俯仰角的識(shí)別率達(dá)到93.05%，在45°俯仰角的識(shí)別率達(dá)到76.018%.

表10 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)變化的識(shí)別性能Tab.10 Recognition rates of network structure parameter changes

表11 俯仰角和配置變換的正確識(shí)別率Tab.11 Recognition rates of depression angle and configuration transformation %

4.6 本文算法識(shí)別性能比較

為進(jìn)一步測(cè)試本文算法性能，分別與相關(guān)文獻(xiàn)識(shí)別性能進(jìn)行比較。由表12可見，文獻(xiàn)[3]相似性與歐氏約束能夠提高樣本特征的可分性；文獻(xiàn)[5]無監(jiān)督和貪婪的分層訓(xùn)練方法訓(xùn)練SAE，可提高目標(biāo)分類輸出；文獻(xiàn)[6]在RBM中引入相似性約束并加入判決信息，識(shí)別率較低且性能不夠穩(wěn)定；文獻(xiàn)[7]在對(duì)數(shù)最大似然目標(biāo)函數(shù)基礎(chǔ)上加入L0.5范數(shù)正則化約束，特征的稀疏表示得到提高；本文采用導(dǎo)向重構(gòu)算法，算法在網(wǎng)絡(luò)隱層數(shù)大幅度減少基礎(chǔ)上網(wǎng)絡(luò)收斂的速度得到加快，本文基于導(dǎo)向重構(gòu)與DSAE算法識(shí)別性能分別比文獻(xiàn)[3]、文獻(xiàn)[5-7]分別提高3.99%、0.281%、5.42%和2.65%.

表12 不同文獻(xiàn)算法與本文算法的識(shí)別性能比較Tab.12 Comparison of recognition rates of different algorithms

5 結(jié)論

本文針對(duì)現(xiàn)有SAR目標(biāo)識(shí)別算法泛化能力差和算法復(fù)雜度高等問題，提出一種基于導(dǎo)向重構(gòu)與DSAE的SAR目標(biāo)分類方法。首先，對(duì)SAR圖像樣本采用導(dǎo)向重構(gòu)進(jìn)行兩尺度融合預(yù)處理，生成一維圖像矢量并作歸一化處理，與Shearlet降噪方法相比較，本文算法預(yù)處理的速度明顯更快，可以提高算法的識(shí)別性能；然后，采用減少DAE隱層神經(jīng)元方式對(duì)圖像進(jìn)行低維特征抽取和識(shí)別，并采用Softmax分類器進(jìn)行分類，以達(dá)到有效降低算法的復(fù)雜度目的。實(shí)驗(yàn)測(cè)試結(jié)果證明，將導(dǎo)向重構(gòu)算法與DSAE結(jié)合起來，可以大幅度減少DSAE隱層的神經(jīng)元的數(shù)目，提高目標(biāo)的識(shí)別性能以及泛化能力，大幅度降低算法的復(fù)雜度。