摘要：实现对地面目标的智能识别,对一种基于深度学习的卷积神经网络（CNN）的星载合成孔径雷达（SAR）星上目标识别系统进行了研究。系统由星上和地面两部分组成。其中：地面部分进行网络结构设计、SAR图像数据预处理、CNN模型训练、模型压缩及上传;星上部分接收上传模型并解压缩、目标识别、识别后粗筛图像下传地面;地面进行人工筛查,筛查后的正确图像作为训练数据对CNN模型进行再训练,逐步获得精度更高的模型。提出的CNN架构为卷积层2个、下采样层2个、Dropout层3个、Flatten层1个、全连接层2个,最终输出标签11类。为使训练后的CNN模型能部署到卫星上使用,采用数据精度压缩和剪枝两种数据深度压缩方法以减小数据存储量和减低网络复杂度。在Keras深度学习开源库环境中实现设计的CNN模型,对运动和静止目标获取与识别（MSTAR）数据库中的11类军事目标识别的实验结果表明：识别和分类的效果良好,整体识别成功率达96.29%;模型能压缩至原来的1/13,精度损失小于2%。
分类：期刊> 自然科学与工程技术> 工程科技II> 航空航天科学与工程
收录：CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：sar图像 智能目标识别 深度学习 卷积神经网络 深度压缩 数据精度压缩 剪枝 模型效率
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
