顾子煜,张 弦,施君南,高叶盛

(1.上海交通大学电子工程系,上海 200240;2.上海无线电设备研究所,上海 201109)

0 引言

作为合成孔径雷达(SAR)的一个重要研究方向,目标分类识别算法的研究已经开展多年,并且新的算法层出不穷。与传统方法相比,深度学习为SAR 目标分类识别算法的研究提供了一个很有前景的发展方向。通过对SAR 目标特征的学习,神经网络可以以极高的效率与准确率实现目标识别[1-2]。但是,为了解决复杂的SAR 目标识别问题,需要不断更新神经网络的架构,而在数字平台实现深层神经网络则会带来较重的运算负担。并且,由于受到摩尔定律的影响,数字硬件的处理速度面临晶体管尺寸的限制。因此,寻找新运算方式的需求变得愈加迫切和必要。

近年来,通过光学平台实现神经网络的方式逐渐成为研究人员关注的焦点。光学平台凭借其超快的处理速度和并行性的特点,在实现大规模矩阵运算方面具有先天优势。研究人员基于现有的光学神经网络架构,对多种数据集进行了高精度的目标分类,证明了该方法的可行性。

在之前的研究中,研究人员已成功构建了光电卷积神经网络(optronic convolutional neural network,OPCNN),并基于运动与静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)数据集完成了目标分类[3-4]。OPCNN 训练阶段依然通过数字方式实现,而验证阶段所有的运算操作均由光学方式实现,从而大大减少了数字平台的运算量。同时,如何减少通过数字方式实现的训练阶段的运算量、加快处理速度依然是一个亟待解决的难题。……