面向高分辨SAR图像分类的量子深度神经网络研究

Aiming at the bottlenecks ,such as large amount of data and being difficult to represent the sparse features, of high-resolution Synthetic Aperture Radar (SAR) images, this subject draws on the neural network mechanism and constructs the quantum-inspired deep neural network to overcome these bottlenecks. In order to solve the trade-off between the model scale and the training speed ,training precision of the deep neural networks ,we will design quantum-inspired learning algorithms based on the quantum parallel computing, which achieve efficient learning, and overcome catastrophic amnesia. In our study, we convert the unsupervised high-resolution SAR image classification problem into optimization problem. Meanwhile, aiming at the shortcomings that the SAR image processing results are easy to fall into the local optimum of the traditional optimization algorithm, we establish a high-dimensional feature selection algorithm for quantum-inspired immune optimization, and use the challenging high-resolution SAR image to verify the validity and expansibility of the computing network model.

本课题针对高分辨SAR图像数据量大，稀疏特征难以表示的瓶颈问题，从而借鉴脑神经计算机理，构造量子深度神经网络模型对高分辨SAR数据进行稀疏表示；为解决深度神经网络模型规模与训练速度、训练精度之间的权衡问题，基于量子并行计算，建立量子深度学习算法，实现高效学习，克服灾变性失忆等缺陷；将非监督的高分辨SAR图像分类转化为对目标函数的优化问题，针对传统优化算法全局优化能力不足导致SAR图像处理结果易陷入局部极值，建立量子免疫优化的高维特征选择算法，用具有挑战性的高分辨SAR图像分类问题，来验证该网络计算模型的有效性与可扩展性。

针对高分辨SAR 图像数据量大，稀疏特征难以表示，借鉴量子神经网络的指数级记忆容量和学习速度，并行计算能力，稳定性好的特性，建立模拟大脑处理信息过程的智能计算模型——量子深度神经网络模型；针对深度神经网络在处理高分辨SAR图像时的瓶颈问题，建立量子学习算法；通过优化的方式构建高效的深度神经网络，实现高分辨SAR图像分类，突破了网络模型的结构和超参数难以确定、复杂数据计算量庞大、自适应性弱、抗噪能力差和鲁棒性差等关键技术，为高维复杂结构的SAR图像分类任务构建了高效、稳健的深度神经网络；成功应用于高分辨SAR图像分类与解译的关键问题中，设计并实现基于量子神经网络的高分辨SAR图像识别系统。本课题研究成果共计发表论文37篇，其中SCI检索的国际期刊论文25篇，包括SCI Ⅰ区及II 区的国际刊物共16篇，出版教材1部，获2020年度陕西省研究生优秀教材一等奖1项，申报国家发明专利16 项和软件著作权2项（其中授权5项专利和2项软件著作权），培养博士和硕士9人，其中一篇博士论文获得“2021年陕西省优秀博士学位论文”称号。