[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107194433B - 一种基于深度自编码网络的雷达一维距离像目标识别方法 - Google Patents

一种基于深度自编码网络的雷达一维距离像目标识别方法 Download PDF

Info

Publication number
CN107194433B
CN107194433B CN201710446883.2A CN201710446883A CN107194433B CN 107194433 B CN107194433 B CN 107194433B CN 201710446883 A CN201710446883 A CN 201710446883A CN 107194433 B CN107194433 B CN 107194433B
Authority
CN
China
Prior art keywords
sample
feature
uproar
layer
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710446883.2A
Other languages
English (en)
Other versions
CN107194433A (zh
Inventor
廖阔
司进修
周毅
何旭东
黄际彦
周代英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710446883.2A priority Critical patent/CN107194433B/zh
Publication of CN107194433A publication Critical patent/CN107194433A/zh
Application granted granted Critical
Publication of CN107194433B publication Critical patent/CN107194433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/285Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于雷达技术领域,具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理,通过对频域样本数据进行加噪处理,将每个样本随机选择某些特征强置为0或1,可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络,提取样本的高层特征表达,并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度,本发明以三层BP神经网络作为弱分类器,并使用AdaBoost‑BP算法进行目标分类器训练,从而有效地提升系统目标识别率。

Description

一种基于深度自编码网络的雷达一维距离像目标识别方法
技术领域
本发明属于雷达技术领域,具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。
背景技术
雷达一维距离像具有获取容易,可反映目标散射中心在雷达视线上的分布,体现目标结构特征的优点,因此被广泛应用于实时雷达目标识别领域。近年来,基于深度学习的识别方法在图像识别领域取得良好的效果。通过深度学习方法可获取目标大量的高层次特征,但这些高层次特征并不是全都有利于目标分类,因此可将传统模式识别方法中的特征选择融入深度学习框架中,首先对深度学习获得的特征进行特征筛选;随后考虑到集成化分类器的分类效果优于单一分类器,利用AdaBoost集成化学习方法训练多个神经网络模型进行分类识别,集成各个分类结果以进一步提高目标识别率。
发明内容
本发明的目的是,针对雷达目标一维距离像,提供一种新的基于AdaBoost-BP算法的深度加噪自编码网络模型目标识别方法。
本发明的技术方案是:一种新的基于AdaBoost-BP算法的深度加噪自编码网络模型雷达一维距离像目标识别方法,其特征在于包括以下步骤:
S1、获取样本数据:
由高分辨率雷达获取各飞行目标的一维距离像数据,并将一维距离像数据按照1:1比例随机划分,构成训练数据集和测试数据集。将训练数据集合记为:其中K表示目标类别总数,Ni表示第i类目标的一维距离像数目,为数据集合中样本总数;令表示训练样本数据集,其中表示第i类目标的第j幅一维距离像样本,且一维距离像的维数为m;令表示训练样本数据集所对应的标签集,其中yij=[yij(1),yij(2),...,yij(K)]T采用1-of-K编码方式。
S2、对获得的样本数据进行预处理:
对S1中获得的训练样本集合X(0)中的每幅一维距离像均进行256点的FFT变换,保留变换后的正频率分量,随后将其进行能量归一化,并将归一化后的样本频域像记为:
S3、构建深度加噪自编码网络(DAEN):
利用深度学习的理论,使用三个加噪自动编码器网络叠加,构建一个深度加噪自动编码网络,首先对输入样本数据X(1)进行加噪处理,然后以无监督逐层训练的方式利用梯度下降法训练该网络,接着将每一层自动编码器网络的输出,经加噪处理后作为下一层自动编码器网络的输入,训练结束后将三层自动编码器网络的输出特征进行融合,得到新的训练样本特征集X(5)
S4、对融合特征子集X(5)进行特征选择:
利用ReliefF算法和相关性度量算法对S3所得的融合特征集X(5)进行筛选,减少分类无关特征和冗余特征,特征筛选后的集合记为X(6)
S5、构建BP神经网络弱分类器:
构建若干个含一层隐含层的简单BP神经网络,其个数由样本训练迭代的次数决定。以S4中所述特征集合X(6)作为输入,输入层节点数为样本特征的维数,隐含层的节点数为H,输出层为softmax分类器,输出节点数为K,网络初值采用随机初始化;
S6、根据训练样本的类别标签Y,使用AdaBoost-BP算法,对S5中所构建的BP神经网络弱分类器进行调参,调整训练样本和弱分类器的权重,根据训练误差容纳值,迭代T次,训练得到T个弱分类器,然后将T个弱分类器按照权重值进行线性叠加组成一个强分类器模型。
S7、采用步骤S6中获得的强分类器模型对输入样本进行目标识别。
本发明的技术方案是:首先对获取目标的一维距离像数据,进行时频转换和能量归一化等预处理操作,并以此作为原始特征;其次利用深度学习理论构建深度加噪自动编码网络(DAEN),将原始特征进行加噪处理,并将其作为自动编码器的输入,采用非监督贪婪训练法逐层训练自动编码器网络,从而提取输入样本的各层特征子集;随后将各层的特征子集相融合构成新的训练样本特征集;将融合后的样本特征集通过ReliefF算法和Recorre算法进行特征选择,减少特征间的无关特性,并降低特征间的冗余性;然后将筛选后的样本特征集合作为BP神经网络构成的弱分类器的输入,利用AdaBoost-BP算法调整训练样本和弱分类器的权重,使弱分类器线性组合构成强分类器;最后利用强分类器模型对输入样本进行目标识别。
进一步地,所述步骤S3的具体方法是:
S31、构造第一层加噪自动编码器,记DAEN1。将S2所述的频域像集合进行加噪处理,令其中a=rand(1),即将第i类目标的第j个样本的第r个特征元素值与阈值a相比较,元素值小于时置0,大于时置1,加噪处理可实现将样本的某些维特征随机的设为0或1,加噪处理后的频域一维距离像记为以此作为DAEN1的输入,则DAEN1的编码输入层节点数为k1=128,隐藏层节点数为m1,输出层节点数为k1,记DAEN1的隐层节点激活值为
S32、构造第二层加噪自动编码器,记为DAEN2。将S31所述特征矢量经加噪处理,并作为DAEN2的输入,即DAEN2的输入层节点数为k2=m1,隐藏层节点数为m2,输出层节点数为k2,记DAEN2的隐层节点激活值为
S33、构造第三层加噪自动编码器,记为DAEN3。将S32所述特征矢量经加噪处理,作为DAEN3的输入,即DAEN3的输入层节数为k3=m2;隐藏层结点数为m3,输出层的节点数为k3,记DAEN3的隐层节点激活值为
进一步的,所述步骤S4的具体方法为:
S41、用链接层将S31、S32、S33所述的输出特征集合进行拼接融合,记为:X(5)=[X(2);X(3);X(4)],其中表示融合特征集合中一维距离像的特征维数;
S42、实现ReliefF算法,去除分类无关特性。将每个特征的权重初始化为零,重复迭代n次,每次在训练样本集X(5)中随机取出一个样本R,然后从每类目标的样本集中各找出样本R的前k个近邻样本,计算不同近邻样本和R在每个特征A(A=1,2,...,M)上的差异值,并更新每个特征的权重,第A个特征的权重更新表达式为:
其中n为样本个数,diff(A,R1,R2)表示样本R1和样本R2在特征A上的差异,其计算公式如式(2),Mj(C)表示样本R在C类中的第j个最邻近样本。
S43、根据S42相关性的计算和样本权值表达式的更新,得到每个特征的权重值Wi,将权值大于设定阈值δ的特征加入到初始状态为空的集合F',得到去除分类无关特征之后的样本集合为:其中P表示去除无关特征后的样本特征维数。
S44、实现相关特征剔除算法。计算样本集合F'中任意两个特征之间的冗余度c,计算公式如式(3),如果集合F'中的两个特征冗余度大于阈值ct,则将两特征中Relief权值较小的特征删除,得到剔除冗余特征后的新的样本集合X(6),记为:D表示剔除冗余特征后的样本特征维数。
其中,Ai代表第i个样本在特征A上的取值,
进一步的,所述步骤S6的具体方法为:
S61、将S44中所述特征集X(6)作为BP神经网络弱分类器的输入,初始化样本权重为:随机初始化BP神经网络的权值矩阵;
S62、根据标签集Y,利用梯度下降法对样本进行有监督训练,实现BP神经网络弱分类,计算其误差为:
其中ht(xij)表示第t个弱分类器对第i类目标的第j个样本的预测输出,一般要求即弱分类器的识别率不小于
S63、更新分类器的权重,更新表达式如式(5):
S64、确定弱分类器ht(t=1,2,…,T),设当前输出预测函数为ht(xij),则训练数据样本的权重更新表达式记为:
其中表示第t个BP神经网络弱分类器对训练样本xij的预测输出。
S65、计算强分类函数。将T个弱分类器的权重进行归一化处理,则输出强分类器的判别结果表达式为:
本发明的有益效果是:
本发明首先将目标一维距离像转换到频域进行预处理,通过对频域样本数据进行加噪处理,将每个样本随机选择某些特征强置为0或1,可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络,提取样本的高层特征表达,并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度,本发明以三层BP神经网络作为弱分类器,并使用AdaBoost-BP算法进行目标分类器训练,从而有效地提升系统目标识别率。
附图说明
图1为基于AdaBoost-BP算法的DAEN雷达一维距离像目标识别流程图
具体实施方式
下面结合实例详细说明本发明的技术方案。
利用雷达目标后向散射仿真软件产生5类飞机目标的一维距离像仿真数据。5类目标分别为:An-26、B-1B、B-52、F-15、Tu-16。每类目标以0.01度姿态角为间隔,产生18000幅一维像数据,每幅距离像的维数是320维。按照固定比例1:1随机产生训练数据集合和测试数据集合。记训练数据集合为:其中K=5,Ni=9000。对训练集中的每幅像先进行256点的FFT变换并保留变换后的正频率分量(128维),随后将该128维的频域数据进行能量归一化,该预处理操作后得到样本频域像记为:表示样本的类别标签向量。训练样本标签集合记为记对训练数据集进行预处理后的样本矩阵为:
构建第一层加噪自动编码器(DAEN1),输入节点128个,隐含层节点150个,输出节点128个。对训练数据集X(1)进行加噪处理,记加噪处理后的矩阵为:为DAEN1的输入数据,使用梯度下降法训练编码器,使重构误差最小,然后计算DAEN1隐含层的激活函数(Sigmoid函数)输出值,以此构成特征向量集
构建第二层加噪自动编码器(DAEN2),输入节点150个,隐含层节点200个,输出节点150个。同样对X(2)特征集进行加噪处理,并作为DAEN2的输入,使用梯度下降法训练编码器,使重构误差最小,然后计算DAEN2隐含层的输出值构成特征向量集合
构建第三层加噪自动编码器(DAEN3),输入节点200个,隐含层节点150个,输出节点200个。对X(3)进行加噪处理,并以此作为DAEN3的输入,使用梯度下降法训练编码器,使重构误差最小,然后计算其隐含层的输出值,构成特征向量集合
对三层自动编码器的隐含层输出特征进行拼接,由此得到新的特征集合并将其作为待筛选的数据集,利用ReliefF算法,得到每个特征的权重Wi,将权值大于设定阈值δ=0.2的特征加入到初始状态为空的集合F',然后计算F'中任意两个特征之间的冗余度c,若则将两特征中Relief权值较小c>ct=0.6的特征删除,得到新的去除冗余特征后的样本集其中表示特征剔除后样本集中第i类目标的第j个样本的特征向量,剔除后特征维数为D。
构建T个BP神经网络弱分类器,输入节点数为D,隐含层节点数218,输出层节点数为5,其中T由训练样本迭代的次数决定,以X(6)作为待分类训练特征集,根据训练样本的类别标签Y,对于每一个弱分类器均采用梯度下降法进行训练,使其对每一个测试样本输出预测结果。
采用AdaBoost-BP算法调整各分类器和训练样本权重值,设置分类误差为0.05,训练样本共迭代4次,得到4个弱分类器,设第t个弱分类器ht(xij)的预测输出为γt=[κ12345]T,则该测试样本的预测类标签为:kt=argmax{γt},即输出层的5个神经元最大输出值所对应的标号,将各弱分类器的判决结果按照权重加权表决,得到强分类器判决表达:
表示对4个弱分类器的预测输出进行加权求和,然后取加权后向量中的最大值所对应的标号作为输出结果,其中权重系数则强分类器H(xij)即目标分类网络模型。
对测试集合中的某待测试一维像数据对其进行时频变换和归一化等预处理操作,得到频域像z(1)
将z(1)输入到三层加噪自动编码网络中,分别得到DAEN1、DAEN2、DAEN3各层所提取的特征矢量分别为z(2)、z(3)、z(4)
将各层特征拼接得到测试样本的融合特征矢量:Z(5)=[z(2);z(3);z(4)]。
根据训练样本中被删除的特征编号,将Z(5)矢量中对应特征删除,得到新的特征矢量Z(6),并将其作为上述训练好的4个BP神经网络分类器的输入,通过前向预测得到4个分类器的预测输出t=1,2,3,4。
将4个神经网络分类器结果进行加权,得到最终判别结果为:

Claims (4)

1.一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,包括以下步骤:
S1、获取样本数据:
由高分辨率雷达获取各飞行目标的一维距离像数据,并将一维距离像数据按照1:1比例随机划分,构成训练数据集和测试数据集;将训练数据集合记为:其中K表示目标类别总数,Ni表示第i类目标的一维距离像数目,为训练数据集合中样本总数;令表示训练样本数据集,其中表示第i类目标的第j幅一维距离像样本,且一维距离像的维数为m;令表示训练样本数据集所对应的标签集,其中yij=[yij(1),yij(2),...,yij(K)]T采用1-of-K编码方式;
S2、对获得的样本数据进行预处理:
对S1中获得的训练样本集合X(0)中的每幅一维距离像均进行256点的FFT变换,保留变换后的正频率分量,随后将其进行能量归一化,并将归一化后的样本频域像记为:
S3、构建深度加噪自编码网络:
利用深度学习的理论,使用三个加噪自动编码器网络叠加,构建一个深度加噪自动编码网络,首先对输入样本数据X(1)进行加噪处理,然后以无监督逐层训练的方式利用梯度下降法训练该网络,接着将每一层自动编码器网络的输出,经加噪处理后作为下一层自动编码器网络的输入,训练结束后将三层自动编码器网络的输出特征进行融合,得到新的训练样本特征集X(5)
S4、对融合特征子集X(5)进行特征选择:
利用ReliefF算法和相关性度量算法对S3所得的融合特征集X(5)进行筛选,具体为:采用ReliefF算法去除分类无关特征,采用相关性度量算法剔除冗余特征,特征筛选后的集合记为X(6)
S5、构建BP神经网络弱分类器:
构建若干个含一层隐含层的简单BP神经网络,其个数由样本训练迭代的次数决定;该神经网络以S4中所述特征筛选后的集合X(6)作为输入,输入层节点数为样本特征的维数,隐含层的节点数为H,输出层为softmax分类器,输出节点数为K,网络初值采用随机初始化;
S6、根据训练样本的类别标签Y,使用AdaBoost-BP算法,对S5中所构建的BP神经网络弱分类器进行调参,调整训练样本和弱分类器的权重,根据训练误差容纳值,迭代T次,训练得到T个弱分类器,然后将T个弱分类器按照权重值进行线性叠加组成一个强分类器模型;
S7、采用步骤S6中获得的强分类器模型对输入样本进行目标识别。
2.根据权利要求1所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S3的具体方法是:
S31、构造第一层加噪自动编码器,记DAEN1;将S2所述的样本频域像集合进行加噪处理,令其中a=rand(1),即将第i类目标的第j个样本的第r个特征元素值与阈值a相比较,元素值小于时置0,大于时置1,加噪处理可实现将样本的某些维特征随机的设为0或1,加噪处理后的频域一维距离像记为以此作为DAEN1的输入,则DAEN1的编码输入层节点数为k1=128,隐藏层节点数为m1,输出层节点数为k1,记DAEN1的隐层节点激活值为
S32、构造第二层加噪自动编码器,记为DAEN2;将S31所述DAEN1的隐层节点激活值经加噪处理,并作为DAEN2的输入,即DAEN2的输入层节点数为k2=m1,隐藏层节点数为m2,输出层节点数为k2,记DAEN2的隐层节点激活值为
S33、构造第三层加噪自动编码器,记为DAEN3;将S32所述DAEN2的隐层节点激活值经加噪处理,作为DAEN3的输入,即DAEN3的输入层节数为k3=m2;隐藏层结点数为m3,输出层的节点数为k3,记DAEN3的隐层节点激活值为
3.根据权利要求2所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S4的具体方法为:
S41、用链接层将S31、S32、S33的输出特征集合进行拼接融合,记为:X(5)=[X(2);X(3);X(4)],其中 表示融合特征集合中一维距离像的特征维数;
S42、实现ReliefF算法,去除分类无关特性:
将每个特征的权重初始化为零,重复迭代n次,每次在训练样本集X(5)中随机取出一个样本R,然后从每类目标的样本集中各找出样本R的前k个近邻样本,计算不同近邻样本和R在每个特征A(A=1,2,...,M)上的差异值,并更新每个特征的权重,第A个特征的权重更新表达式为:
其中n为样本个数,diff(A,R1,R2)表示样本R1和样本R2在特征A上的差异,其计算公式如式(2),Mj(C)表示样本R在C类中的第j个最邻近样本:
S43、根据S42相关性的计算和样本权值表达式的更新,得到每个特征的权重值Wi,将权值大于设定阈值δ的特征加入到初始状态为空的集合F',得到去除分类无关特征之后的样本集合为:其中P表示去除无关特征后的样本特征维数;
S44、实现相关特征剔除算法:
计算样本集合F'中任意两个特征之间的冗余度c,计算公式如式(3),如果集合F'中的两个特征冗余度大于阈值ct,则将两特征中Relief权值较小的特征删除,得到剔除冗余特征后的新的样本集合X(6),记为:D表示剔除冗余特征后的样本特征维数:
其中,Ai代表第i个样本在特征A上的取值,
4.根据权利要求3所述的一种基于深度自编码网络的雷达一维距离像目标识别方法,其特征在于,所述步骤S6的具体方法为:
S61、将S44中所述剔除冗余特征后的新的样本集合X(6)作为BP神经网络弱分类器的输入,初始化样本权重为:随机初始化BP神经网络的权值矩阵;
S62、根据标签集Y,利用梯度下降法对样本进行有监督训练,实现BP神经网络弱分类,计算其误差为:
其中ht(xij)表示第t个弱分类器对第i类目标的第j个样本的预测输出,一般要求即弱分类器的识别率不小于
S63、更新分类器的权重,更新表达式如式(5):
S64、确定弱分类器ht(t=1,2,…,T),设当前输出预测函数为ht(xij),则训练数据样本的权重更新表达式记为:
其中表示第t个BP神经网络弱分类器对训练样本xij的预测输出;
S65、计算强分类函数:将T个弱分类器的权重进行归一化处理,则输出强分类器的判别结果表达式为:
CN201710446883.2A 2017-06-14 2017-06-14 一种基于深度自编码网络的雷达一维距离像目标识别方法 Active CN107194433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710446883.2A CN107194433B (zh) 2017-06-14 2017-06-14 一种基于深度自编码网络的雷达一维距离像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710446883.2A CN107194433B (zh) 2017-06-14 2017-06-14 一种基于深度自编码网络的雷达一维距离像目标识别方法

Publications (2)

Publication Number Publication Date
CN107194433A CN107194433A (zh) 2017-09-22
CN107194433B true CN107194433B (zh) 2019-09-13

Family

ID=59878998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710446883.2A Active CN107194433B (zh) 2017-06-14 2017-06-14 一种基于深度自编码网络的雷达一维距离像目标识别方法

Country Status (1)

Country Link
CN (1) CN107194433B (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784320B (zh) * 2017-09-27 2019-12-06 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN107657243B (zh) * 2017-10-11 2019-07-02 电子科技大学 基于遗传算法优化的神经网络雷达一维距离像目标识别方法
CN107862329A (zh) * 2017-10-31 2018-03-30 电子科技大学 一种基于深度置信网络的雷达一维距离像真假目标识别方法
CN107870321B (zh) * 2017-11-03 2020-12-29 电子科技大学 基于伪标签学习的雷达一维距离像目标识别方法
CN107766893B (zh) * 2017-11-03 2021-01-22 电子科技大学 基于标签多级编码神经网络的目标识别方法
CN108509989B (zh) * 2018-03-26 2020-04-21 西安电子科技大学 基于高斯选控玻尔兹曼机的hrrp识别方法
CN108596155A (zh) * 2018-05-14 2018-09-28 浙江大学 一种sar雷达空中飞行目标识别系统
CN109146246B (zh) * 2018-05-17 2021-06-04 清华大学 一种基于自动编码器和贝叶斯网络的故障检测方法
CN108985330B (zh) * 2018-06-13 2021-03-26 华中科技大学 一种自编码网络及其训练方法、异常用电检测方法和系统
CN108985010B (zh) * 2018-06-15 2022-04-08 河南师范大学 基因分类方法与装置
CN110751283B (zh) * 2018-07-05 2022-11-15 第四范式(北京)技术有限公司 模型解释方法、装置、设备及存储介质
CN109116345A (zh) * 2018-08-01 2019-01-01 西南交通大学 一种雷达信号识别方法及装置
CN109002810A (zh) * 2018-08-01 2018-12-14 西南交通大学 模型评价方法、雷达信号识别方法及对应装置
CN109376574B (zh) * 2018-08-14 2021-05-14 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法
CN109525253B (zh) * 2018-10-25 2020-10-27 华南理工大学 基于深度学习和集成方法的卷积码译码方法
CN109581339B (zh) * 2018-11-16 2023-04-07 西安理工大学 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN109784311B (zh) * 2019-02-03 2023-04-18 山东大学 基于线性调频小波原子网络的目标识别方法
CN109977871B (zh) * 2019-03-27 2021-01-29 中国人民解放军战略支援部队航天工程大学 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法
CN110046590B (zh) * 2019-04-22 2022-04-22 电子科技大学 一种基于粒子群优化深度学习特征选择的一维像识别方法
CN110046067B (zh) * 2019-04-22 2023-10-31 无线生活(杭州)信息科技有限公司 接口测试方法及装置
CN110187321B (zh) * 2019-05-30 2022-07-22 电子科技大学 基于深度学习的复杂环境下雷达辐射源特征参数提取方法
CN110161480B (zh) * 2019-06-18 2023-04-21 西安电子科技大学 基于半监督深度概率模型的雷达目标识别方法
CN110598488B (zh) * 2019-09-17 2022-12-27 山东大学 半导体单元器件、半导体芯片系统及puf信息处理系统
CN112819498B (zh) * 2019-11-18 2023-10-17 百度在线网络技术(北京)有限公司 转化率确定方法、装置、电子设备和存储介质
CN110969203B (zh) * 2019-11-28 2022-09-30 中国人民解放军战略支援部队航天工程大学 基于自相关和cam网络的hrrp数据去冗余方法
CN111797774B (zh) * 2020-07-07 2023-09-22 金陵科技学院 基于雷达图像和相似度权重的路面目标识别方法
CN112201355B (zh) * 2020-11-04 2024-01-16 成都东方天呈智能科技有限公司 一种健康评估迭代分类器模型的构建方法
CN112731330B (zh) * 2021-01-12 2022-04-19 西安电子科技大学 基于迁移学习的雷达载频参数变化稳健目标识别方法
CN112801237B (zh) * 2021-04-15 2021-07-23 北京远鉴信息技术有限公司 暴恐内容识别模型的训练方法、训练装置及可读存储介质
CN113608172B (zh) * 2021-06-23 2023-12-29 西安电子科技大学 一种基于改进k近邻的机载多功能雷达工作模式识别方法
CN113687328A (zh) * 2021-09-14 2021-11-23 上海无线电设备研究所 一种弹载武器地面目标高分辨一维距离像识别方法
CN114488140B (zh) * 2022-01-24 2023-04-25 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN115623214A (zh) * 2022-12-06 2023-01-17 宁波康达凯能医疗科技有限公司 一种基于集成学习的帧间图像编码方法
CN116805926B (zh) * 2023-08-21 2023-11-17 上海飞旗网络技术股份有限公司 网络业务类型识别模型训练方法、网络业务类型识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235296A (zh) * 2013-05-05 2013-08-07 西安电子科技大学 基于功率谱特征修正的噪声背景下雷达目标识别方法
CN103675787A (zh) * 2013-12-03 2014-03-26 电子科技大学 一种雷达目标一维距离像最优正交非线性子空间识别方法
CN104459668A (zh) * 2014-12-03 2015-03-25 西安电子科技大学 基于深度学习网络的雷达目标识别方法
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9978013B2 (en) * 2014-07-16 2018-05-22 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235296A (zh) * 2013-05-05 2013-08-07 西安电子科技大学 基于功率谱特征修正的噪声背景下雷达目标识别方法
CN103675787A (zh) * 2013-12-03 2014-03-26 电子科技大学 一种雷达目标一维距离像最优正交非线性子空间识别方法
CN104459668A (zh) * 2014-12-03 2015-03-25 西安电子科技大学 基于深度学习网络的雷达目标识别方法
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A NEW METHOD OF SAR IMAGE TARGET RECOGNITION BASED ON ADABOOST ALGORITHM;Gun Wei 等;《IGARSS 2008》;20081231;全文 *

Also Published As

Publication number Publication date
CN107194433A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
CN107194433B (zh) 一种基于深度自编码网络的雷达一维距离像目标识别方法
CN107132516B (zh) 一种基于深度置信网络的雷达一维距离像目标识别方法
CN105975931B (zh) 一种基于多尺度池化的卷积神经网络人脸识别方法
CN103729678B (zh) 一种基于改进dbn模型的水军检测方法及系统
CN110135267A (zh) 一种大场景sar图像细微目标检测方法
CN110442684A (zh) 一种基于文本内容的类案推荐方法
CN108345860A (zh) 基于深度学习和距离度量学习的人员再识别方法
CN109299657B (zh) 基于语义注意力保留机制的群体行为识别方法及装置
CN109583322A (zh) 一种人脸识别深度网络训练方法和系统
CN108984745A (zh) 一种融合多知识图谱的神经网络文本分类方法
CN105512680A (zh) 一种基于深度神经网络的多视sar图像目标识别方法
CN110348399A (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN106845529A (zh) 基于多视野卷积神经网络的影像特征识别方法
CN108846426A (zh) 基于深度双向lstm孪生网络的极化sar分类方法
CN105447569A (zh) 一种基于深度学习的乳腺癌细胞特征分析系统
CN109165743A (zh) 一种基于深度压缩自编码器的半监督网络表示学习算法
CN106651915B (zh) 基于卷积神经网络的多尺度表达的目标跟踪方法
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN109241377A (zh) 一种基于深度学习话题信息增强的文本文档表示方法和装置
CN110287317A (zh) 一种基于cnn-dbn的层次多标签医疗问题分类方法
CN105989336A (zh) 基于带权重的解卷积深度网络学习的场景识别方法
CN109886072A (zh) 基于双向Ladder结构的人脸属性分类系统
Goyal et al. Rapid identification of strongly lensed gravitational-wave events with machine learning
CN109102002A (zh) 结合卷积神经网络和概念机递归神经网络的图像分类方法
CN107545279A (zh) 基于卷积神经网络与加权核特征分析的图像识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant