买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于广义主成分分析和GAN的SAR图像目标识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115331115B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210968823.8，技术领域涉及：G06V20/13；该发明授权基于广义主成分分析和GAN的SAR图像目标识别方法是由张鹏;王志伟;李亚超;郭亮;王家东设计研发完成，并于2022-08-12向国家知识产权局提交的专利申请。

本基于广义主成分分析和GAN的SAR图像目标识别方法在说明书摘要公布了：本发明提出了一种基于广义主成分分析和生成对抗网络GAN的SAR图像目标识别方法，包括下述步骤：1获取训练样本集和测试样本集；2对训练样本集进行广义主成分分析；3构建生成对抗网络模型；4对生成对抗网络模型进行迭代训练；5获取SAR图像目标识别结果。本发明将对训练样本集进行广义主成分分析得到的最优投影矩阵作为生成网络G和判别网络D权值参数中的一部分，再通过迭代训练得到一个最优生成对抗网络模型，使得生成网络G能够生成训练样本集所缺失的方位角目标伪图像，判别网络D能够获取更完整的目标方位信息与结构信息，解决了现有技术没有有效利用目标方位信息的问题，提高了SAR图像目标识别正确率。

本发明授权基于广义主成分分析和GAN的SAR图像目标识别方法在权利要求书中公布了：1.一种基于广义主成分分析和生成对抗网络GAN的SAR图像目标识别方法，其特征在于，包括如下步骤： 1获取训练样本集和测试样本集： 1a获取包含ξ个目标类别且带有目标标签的合成孔径雷达SAR工作俯仰角为α时的P幅SAR图像T1＝{T11,T12,…,T1p,…,T1P}，以及工作俯仰角为β时的Q幅SAR图像T2＝{T21,T22,…,T2q,…,T2Q}，其中，ξ≥2，T1p表示俯仰角为α且包含Rα个目标的第p幅SAR图像，Rα≥1，P≥20ξRα，T2q表示俯仰角为β且包含Rβ个目标的第q幅SAR图像，Rβ≥1，Q≥10ξRβ； 1b以大小为m×n的裁剪框对每幅SAR图像T1p所包含的Rα个目标，以及每幅SAR图像T2p所包含的Rβ个目标分别进行中心裁剪，并对裁剪后的每个图像块进行归一化，然后将T1对应的U个归一化后的图像块Itrn＝{I1,I2,…,Iu,…IU}组成训练样本集，将T2对应的V个归一化后的图像块Itest＝{I1,I2,…,Iv,…IV}组成测试样本集,其中，m≥100，n≥100，Iu表示第u个训练样本，Iv表示第v个测试样本； 2对训练样本集进行广义主成分分析： 2a以大小为k1×k2的滑动窗口对训练样本集Itrn＝{I1,I2,…,Iu,…IU}中的每个样本Iu进行单步长滑窗取值，得到Iu对应的大小为图像子块矩阵Xu，并对Itrn对应的U个图像子块矩阵进行级联，得到大小为的联合矩阵X，其中，k1≥3，k2≥3， 表示向上取整； 2b初始化大小为L×L的单位矩阵ΛL，大小为k1×k2×L的投影矩阵W为待定矩阵，且WTW＝ΛL，广义主成分投影重构函数为并对FX,W中的待定矩阵W进行S次迭代求解，得到最优投影矩阵集其中，L≥1，S≥2，表示大小为k1×k2×L的第s个最优投影矩阵，μ表示联合矩阵X的元素平均值，WT表示对W的转置操作，表示取二范数操作； 3构建生成对抗网络模型O： 3a构建生成对抗网络模型O的结构： 构建包括顺次连接的生成网络G和判别网络D的生成对抗网络模型O；其中生成网络G采用包含由顺次级联的全连接层、S个生成基础块和一个正切激活函数层组成的二维转置卷积神经网络，生成基础块包括顺次级联的二维转置卷积层、批归一化层和LeakyReLU激活函数层；判别网络D采用包含由顺次级联的S个判别基础块、全连接层和Softmax分类输出层组成的二维卷积神经网络，判别基础块包括顺次级联的二维卷积层、批归一化层和ReLU激活函数层； 3b定义生成网络G的损失函数LG和判别网络D的损失函数LD： LG＝Ef[log1-DGz] LD＝Ef[logDIu]+Ef[log1-DGz] 其中，z表示随机序列，G·表示生成网络G的转置采样函数，D·表示判别网络D的类别预测函数，Ef[·]表示期望函数； 4对生成对抗网络模型O进行迭代训练： 4a初始化生成网络G、判别网络D的权值参数分别为{W*,θG}、{W*,θD}，迭代次数为e，最大迭代次数为E,并令e＝0，同时固定W*不参与迭代，其中，E≥200，θG表示G中二维转置卷积层偏置及全连接层权重和偏置的参数集合，θD表示D中二维卷积层偏置及全连接层权重和偏置的参数集合； 4b将随机序列z与训练样本集Itrn作为生成对抗网络模型O的输入，生成网络G对随机序列z进行转置采样，得到伪样本Gez；判别网络D对G输出的伪样本Gez，以及每个训练样本Iu进行类别预测，得到Gez、Iu的ξ维类别的预测向量DeGez、DeIu； 4c采用生成网络G的损失函数LG，并通过Gez的ξ维类别预测向量DeGez计算G的损失值采用判别网络D的损失函数LD，并通过Gez的ξ维类别预测向量DeGez与每个训练样本Iu的ξ维类别预测向量DeIu计算D的损失值 4d采用梯度下降法，并通过对参数的偏导更新生成网络G的参数θG，通过对参数的偏导更新判别网络D的参数θD，得到本次迭代G的权值参数为和D的权值参数为的生成对抗网络模型Oe； 4e判断e≥E是否成立，若是，得到训练好的生成对抗网络模型O*，否则，令e＝e+1，Oe＝O，并执行步骤4b； 5获取SAR图像目标识别结果： 将测试样本集Itest作为训练好的生成对抗网络模型O*的输入，判别网络D*对每个测试样本Iv进行类别预测，得到Iv的ξ维类别预测向量D*Iv，并通过D*Iv中最大值对应的下标查找目标类别标签索引表，得到Iv对应的目标类别标签。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。