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！

申请/专利权人：电子科技大学

摘要：本发明公开了一种基于混合模型与边界增强的极化雷达图像分类方法，具体步骤如下：S1、采集原始极化雷达图像数据样本并进行数据预处理；S2、使用特征提取器从极化雷达样本中提取低维特征图；S3、样本交叉熵损失函数计算；S4、使用贝塔混合模型拟合损失分布；S5、进行Puali伪彩图膨胀边界提取；S6、构建动态自学习损失函数，利用损失函数对特征提取与分类网络进行优化训练，完成模型的目标分类流程。本发明基于有限混合模型理论建立损失分布模型，获取极化雷达图像中噪声标签的分布估计，并通过结合极化伪彩图边缘信息提取方法，使分类模型利用边缘知识增强识别性能，最终实现标签噪声下极化雷达目标分类精度提升。

主权项：1.一种基于混合模型与边界增强的极化雷达图像分类方法，其特征在于，具体步骤如下：S1、采集原始极化雷达图像数据样本并进行数据预处理；极化雷达图像包含丰富的目标散射信息，其每个像素的信息使用极化相干矩阵T表示，该矩阵大小为3×3，具备半正定Hermitain特性，如下式所示： 使用一维的特征向量表示每个像素，如下所示：X＝[T11，T22，T33，ReT12，ReT13，ReT23，ImT12，ImT13，ImT23]2其中，Re·与Im·分别表示取实部与取虚部运算；采用大小为15×15窗口对极化雷达图像进行样本截取，窗口内的图像作为中心像素的样本表示，即每个样本使用大小为9×15×15的特征向量表示；S2、构建特征提取与分类网络：使用特征提取器从极化雷达样本中提取低维特征图，通过深度卷积网络实现特征提取器，卷积网络由卷积层、ReLU函数运算和最大池化层交叉排列，网络最后是3个全连接层，并通过Softmax函数将提取到的特征向量转换为对应的类别概率向量，实现目标分类流程；S3、样本交叉熵损失函数计算：训练样本前向传播，基于交叉熵损失函数计算样本标记类别与模型预测类别之间的损失值；交叉熵损失函数计算如下所示： 其中，n表示训练集样本数量，xi表示输入的单个样本，pxi表示真实值分布one-hot编码向量，qxi表示模型预测类别概率向量；S4、使用贝塔混合模型拟合损失分布；噪声样本与纯净样本损失概率密度函数表示为：pl＝λc·pl|clean+λn·pl|noisy4其中，λc和λn表示纯净噪声样本权重系数；pl|clean与pl|noisy分别表示纯净噪声样本损失分布，具体表示为： 其中，αc，βc＞0表示纯净样本损失分布的形状参数，αn，βn＞0表示噪声损失分布的形状参数，Γ·表示伽马函数。使用EM算法实现混合模型的参数更新迭代；首先，在E步中，固定混合系数，结合公式4，损失值l的后验概率基于贝叶斯规则进行更新，即： 其中，k∈{0，1}表示纯净噪声两种类别，Qkl表示损失值l属于k类别的后验概率，j＝01表示干净噪声类别；然后，在M步中，基于更新的Qkl，通过加权版本的矩方法估计αk和βk；获得更新后的参数集Θ之后，基于后验概率计算公式，到的样本损失值l对应的噪声概率ω，具体如下所示： S5、进行Puali伪彩图膨胀边界提取；S6、构建动态自学习损失函数：基于标准交叉熵损失函数，引入模型预测类别作为均衡项，并综合样本噪声概率动态调整地面真值标签与均衡项之间的权重，结合膨胀边界增强系数，构建自学习损失函数，利用损失函数进行反向传播，对S2中的特征提取与分类网络进行参数优化训练，当网络分类结果收敛时结束优化训练，保存模型参数。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于混合模型与边界增强的极化雷达图像分类方法