CN107657243B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107657243B CN107657243B CN201710939169.7A CN201710939169A CN107657243B CN 107657243 B CN107657243 B CN 107657243B CN 201710939169 A CN201710939169 A CN 201710939169A CN 107657243 B CN107657243 B CN 107657243B
- Authority
- CN
- China
- Prior art keywords
- network
- training
- chromosome
- sample
- range profile
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达技术领域,具体的说是涉及一种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。本发明的方法首先通过对原始一维距离像进行选择和截断等预处理操作;其次,采用时段原则对数据集进行划分,同时对训练集中各目标进行二次等量随机抽取,获得两个同构训练子集;接着,本发明提出了神经网络与遗传算法双向优化的方法,利用训练网络在不同迭代次数时所产生的网络参数,初始化一定数目的染色体;然后,采用遗传算法对染色体进行交叉变异等操作;随后,根据所选最优染色体对新的神经网络识别***赋初值,选择新的训练子集作为网络输入,采用随机梯度下降法对网络进行训练,加快了训练网络的收敛速度,同时提升了一定的识别率。
Description
技术领域个
本发明属于雷达技术领域,具体的说是涉及一种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。
背景技术
深度学习理论已经成功应用到众多识别领域,并取得良好效果。但应用深度学习方法的指导原则是大数据样本,随之可能面对的问题是训练样本的不均衡性,和训练参数的极度增长。如何处理训练样本均衡化,如何在保证识别率的前提下降低参数数量,从而提升训练效率,这将是进一步研究的重点。因此需要根据实际情况,在深度学习的理论基础之上,研究新的优化算法进一步提升识别网络的训练效率。
发明内容
本发明的目的是,针对雷达一维距离像的目标识别问题,提出了一种训练样本均衡化思想。基于深度学习理论,提出了神经网络与遗传算法相互优化的优化策略,用以提升神经网络识别***的训练效率。
本发明的技术方案是:提出一种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,其特征在于包括以下步骤:
S1、获取数据样本:
由高分辨率雷达分时段获取飞行目标的一维距离像数据构成数据集:
其中N表示目标类别总数,Ki代表获取第i类目标一维距离像的总时间段个数,Mik表示第i类目标在第k个时间段所获取目标一维距离像的个数,为数据集合中样本总数,表示第i类目标在第k个时间段所获取的第j幅一维距离像,且样本维数为600;
S2、数据样本的预处理:
S21、对S1所述数据集D(0)进行样本筛选:
从数据集D(0)中选择信噪比大于22db的所有一维距离像,并将筛选后的数据集记为D(1);
S22、对D(1)中的一维距离像进行截断处理,即以最大值为中心,连续选取300个数据点,作为待识别一维距离像样本,记截断后的数据集为:其中Wik表示经筛选后的第i类目标在第k个时间段所获取目标一维距离像的个数:
S3、划分数据集:
为提升识别***的鲁棒性,选取每类目标的第一个时间段所获取的一维距离像作为训练集,其他时间段所获取的一维距离像作为测试集合,则分别将训练集和测试集记为:
考虑训练样本数据均衡性问题,然后将训练集进行拆分,通过随机二次抽取拆分为两个不同的训练子集,且使两个训练子集内同类别目标的个数保持相同,以共享相同标签集,记训练子集为:
其中表示训练子集中的样本总数;
S4、构建标签集:
根据S3中所建训练子集X(1)(1)和测试集Z(1),采用1-of-K编码方式得到样本的标签矢量为:
yikj=[yikj(1),yikj(2),...,yikj(K)],
则标签矢量集合分别表示训练数据集X(1)和测试集合Z(1)所对应的标签集合;
S5、构建5层BP神经网络分类器:
根据深度学***台搭建一个5层神经网络,网络包含:输入层,节点数为300;三层隐含层,节点数为h1、h2、h3;一个softmax输出层,节点数为N,选择最小均方误差和作为网络的优化目标函数,且将该网络记为BP_net1;
随后将S3中所述的样本训练子集作为网络BP_net1的第一层输入,结合 S4中所构建的样本标签集利用随机梯度下降法对BP_net1网络进行有监督训练,且对该网络重复训练10*p次,使损失函数最小;同时每训练p次神经网络可记录一组网络参数,记训练完成后所得参数集合为:其中wb(q)是指BP_net1在训练 10*q次之后所得到的网络参数集合;
S6、利用遗传算法对网络参数进行优化。
利用S5步骤中训练好的神经网络参数集合WB,分别初始化10个染色体,染色体长度为L;并将S5中的目标误差函数的倒数作为染色体进化过程中的适应度函数,计算每个染色体体的适应度值;接着依据个体的适应度值的大小选择将要进入下一代的个体;随着,设置交叉概率Pc和变异概率Pe,对被选中的进化个体进行相应的交叉和变异操作;将染色体进化代数设置为50,最后计算进化50代后所有染色体的适应度值,选取适应度值最大的染色体作为网络参数优化的最优解,记为WB_new;
S7、将S6中所得WB_new用于初始化新的神经网络BP_net2分类器:
首先创建新的神经网络BP_net2,其网络结构同BP_net1。利用S6中已经优化好的参数集WB_new,对BP_net2进行参数初始化;
随后将S3中所述的样本训练子集作为网络BP_net2的第一层输入;对网络参数进行无监督的预训练;随后结合S4中所构建的样本标签集对BP_net2 网络进行有监督微调,利用随机梯度下降法对该网络重复训练K次,使损失函数最小,至此完成分类器的训练过程;
S8、采用步骤S7中获得的分类器模型对测试样本进行目标识别。
本发明的技术方案是:首先对雷达获取飞行目标的实测数据进行预处理,其中包括样本选择、样本截取,以及将所选样本进行能量归一化处理;其次,针对雷达多时段探测所获样本进行数据集划分,为增强识别***的鲁棒性,统一选择各目标的第一时段样本作为训练,其他时段所得样本作为测试集;为考虑实测数据数量的均衡性问题,将训练集进行拆分,拆分成两个训练子集X(1)(1)、X(1)(2)分别用于不同场合;接着设计5层BP_net1神经网络分类器模型,以X(1)(1)作为输入,结合其标签进行有监督训练,重复训练10*p次,使分类误差最下,从而获得每训练p次的参数集合;然后,将训练BP_net1所得参数集合用于初始化10个种群,选择BP_net1的误差函数作为适应度函数,计算每个样本的适应度值,对种群样本进行选择,设置染色体的变异率和交叉率对染色体进行进化,直至选择出最优的染色体;最后构建新的神经网络分类器模型BP_net2,结构同BP_net1,利用所选择的最优染色体对其进行初始化,以X(1)(2)作为网络的输入,结合标签,利用随机梯度下降法,对该网络进行有监督训练,得到分类器模型BP_net2,并使用该分类器对测试集样本进行目标识别。
进一步的,所述步骤S5的具体方法是:
S51、构建BP_net1框架:
首先搭***的结构框架,输入节点数为训练集中一维距离像的维数300,隐藏层节点数分别为h1、h2、h3,输出层为softmax层,节点数为N=4,隐含层的激活函数均设为RELU;
S52、构建BP_net1的损失函数:
根据设BP_net1分类器的损失函数为loss1:
其中表示第i类目标在第k个时间段所获取的第j幅一维距离像,yikj为其所对应的标签,f(·)为激活函数;
S53、设置自适应学习率;
首先,对BP_net1分类器的初始学习率Rate1进行随机初始化;
然后按下面公式对其学习率进行迭代变化:
Rate1(n+1)=α1*Rate1(n)+β1*|loss1(n)|2
其中α1、β1为确定常数,可以根据实验确定,Rate(n)、loss(n)分别表示***训练中第n 次迭代后的学习率和损失误差值,随机初始化***的权重和偏差以及初始学习率Rate1。
进一步的,所述步骤S6的具体方法是:
S61、染色体编码及初始化:
首先计算L=300*h1+h1+h1*h2+h2+h2*h3+h3+h3*N,其中L表示神经网络连接权值和偏差的总数,其中300表示输入一维距离像的维数,h1、h2、h3分别表示网络隐含层的节点数,N表示输出层的节点数;为方便表达选择对染色体编码采用实数编码方式,利用S5中训练过程中所得参数集合初始化10条染色体,其中
S62、设置适应度函数:
对于染色体适应度函数的选择,选择使用S5中BP_net1网络的目标函数,则第m条染色体的适应度函数可以表示为:
其中m=1,2,...,10
其中T(m)表示采用第m条染色体初始化BP_net2网络后,经训练得到的预测输出结果, y表示与预测样本相对应的标签。Fit(m)的值越大,则说明第m条染色体越容易被保留进化;
S63、进化参数选取:
染色体交叉和变异是遗传算法的最基本操作,为保证染色体搜索的随机性和染色体寻优的多样性,特设交叉概率Pc=0.5,变异概率Pe=0.09;
S64、最优参数集合解选择
WB_new=wb(q),其中
本发明的有益效果是:首先通过对原始一维距离像进行选择和截断等预处理操作,减少噪声对识别***的干扰;其次,为增强识别***的鲁棒性,采用时段原则对数据集进行划分,同时对训练集中各目标进行二次等量随机抽取,获得两个同构训练子集,以平衡数据样本的数量均衡性;接着,本发明提出了神经网络与遗传算法双向优化的方法,即根据深度学***均正确识别率约为87.8%。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合实例详细说明本发明的技术方案。
利用宽带雷达分时段获取4类民航机:A319、A320、A321以及B738目标的一维距离像数据,其中每个时间段对每类目标共产生5000至20000幅一维像数据,每幅距离像的维数是 600维,记原始数据集为:其中4表示目标类别总数,Ki代表获取第i类目标一维距离像的总时间段个数,Mik表示第i类目标在第k个时间段所获取目标一维距离像的个数,为数据集合中样本总数,表示第i类目标在第k个时间段所获取的第j幅一维距离像,样本维数为600。
对D(0)中的一维距离像进行样本选择,并对所选样本进行截断滤波。即选取信噪比大于 22db的一维距离像,同时以所选样本距离像的最大峰值为中心,取300点进行截断,记经预处理后的数据集合为:其中Wik表示经筛选后的第i类目标在第k个时间段所获取目标一维距离像的个数
对D中数据集进行划分,取四类飞机目标的第一时间段获取的一维距离像作为训练集,其他时间段所获距离像均作为测试集样本,分别记为:同时为考虑数据样本的均衡性,对训练集进行随机二次抽取,抽取数量为训练集中各类目标数量的80%,由此构成两个训练子集其中表示训练子集中的样本总数。
用表示样本的类别标签向量,则标签矢量集合分别表示训练数据集X(1)和测试集合Z(1)所对应的标签集合。
基于TensorFlow平台搭建以个五层深度神经网络识别***框架,记为BP_net1,则输入层节点数为300,隐含层节点数分别为150、100、100,输出层节点数为4,目标损失函数为 S52中所述的loss1函数,自适应性学习率设为S53中所述Rate1,随机初始化***其他参数;
将训练子集X(1)(1)∈RW×300作为BP_net1的输入,采用随机梯度下降法结合训练集标签,对输入样本进行有监督训练,迭代100次,其中每训练迭代10次,记录一次网络训练参数,并将其转化成行向量,共记10个参数向量:其中wb(q)∈R10×L,L表示BP_net1中训练参数的总数L=300*150+150+150*100+100+100*100+100+100*4=70750。
将WB中10个行向量分别初始化10条染色体,根据遗传算法选择S62中Fit(m)为适应度函数,设置染色体交叉率和变异率分别为0.5、0.09,设置进化次数为50次,最后选择最优的染色体。
将遗传算法优化后的染色体赋值给新建网络BP_net2,其中BP_net2与BP_net1同构,另外使用训练子集X(1)(2)∈RW×300作为BP_net2的输入,采用随机梯度下降法结合训练集标签,对输入样本进行有监督训练,迭代50次,得到新的目标识别网络。
将测试集中各目标一维距离像输入到目标识别网络BP_net2进行目标判别。设第i类目标在第k个时间段所获取的第j幅一维距离像,经BP_net2的输出层判别概率输出为:则该测试样本的判别类别标号为:
采用实测数据验证了本发明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的正确识别率。通过对4类民航飞机目标在不同时段下获取的一维距离像数据进行训练和测试,得到本发明对4类目标的平均正确识别率为87.8%。
Claims (3)
1.基于遗传算法优化的神经网络雷达一维像识别方法,其特征在于,包括以下步骤:
S1、获取数据样本:
由高分辨率雷达分时段获取飞行目标的一维距离像数据构成数据集:
其中N表示目标类别总数,Ki代表获取第i类目标一维距离像的总时间段个数,Mik表示第i类目标在第k个时间段所获取目标一维距离像的个数,为数据集合中样本总数,表示第i类目标在第k个时间段所获取的第j幅一维距离像,且样本维数为600;
S2、数据样本的预处理:
S21、对S1所述数据集D(0)进行样本筛选:
从数据集D(0)中选择信噪比大于22db的所有一维距离像,并将筛选后的数据集记为D(1);
S22、对D(1)中的一维距离像进行截断处理,即以最大值为中心,连续选取300个数据点,作为待识别一维距离像样本,记截断后的数据集为:其中Wik表示经筛选后的第i类目标在第k个时间段所获取目标一维距离像的个数:
S3、划分数据集:
为提升识别***的鲁棒性,选取每类目标的第一个时间段所获取的一维距离像作为训练集,其他时间段所获取的一维距离像作为测试集合,则分别将训练集和测试集记为:
考虑训练样本数据均衡性问题,然后将训练集进行拆分,通过随机二次抽取拆分为两个不同的训练子集,且使两个训练子集内同类别目标的个数保持相同,以共享相同标签集,记训练子集为:
其中表示训练子集中的样本总数;
S4、构建标签集:
根据S3中所建训练子集X(1)(1)和测试集Z(1),采用1-of-K编码方式得到样本的标签矢量为:
yikj=[yikj(1),yikj(2),...,yikj(Ki)],
则标签矢量集合分别表示训练数据集X(1)和测试集合Z(1)所对应的标签集合;
S5、构建5层BP神经网络分类器:
根据深度学***台搭建一个5层神经网络,网络包含:输入层,节点数为300;三层隐含层,节点数为h1、h2、h3;一个softmax输出层,节点数为N,选择最小均方误差和作为网络的优化目标函数,且将该网络记为BP_net1;
随后将S3中所述的训练子集作为网络BP_net1的第一层输入,结合S4中所构建的样本标签集利用随机梯度下降法对BP_net1网络进行有监督训练,且对该网络重复训练10*p次,使损失函数最小;同时每训练p次神经网络可记录一组网络参数,记训练完成后所得参数集合为:其中wb(q)是指BP_net1在训练10*q次之后所得到的网络参数集合;
S6、利用遗传算法对网络参数进行优化;
利用S5步骤中训练好的神经网络参数集合WB,分别初始化10个染色体,染色体长度为L;并将S5中的目标误差函数的倒数作为染色体进化过程中的适应度函数,计算每个染色体体的适应度值;接着依据个体的适应度值的大小选择将要进入下一代的个体;随着,设置交叉概率Pc和变异概率Pe,对被选中的进化个体进行相应的交叉和变异操作;将染色体进化代数设置为50,最后计算进化50代后所有染色体的适应度值,选取适应度值最大的染色体作为网络参数优化的最优解,记为WB_new;
S7、将S6中所得WB_new用于初始化新的神经网络BP_net2分类器:
首先创建新的神经网络BP_net2,其网络结构同BP_net1;利用S6中已经优化好的参数集WB_new,对BP_net2进行参数初始化;
随后将S3中所述训练子集作为网络BP_net2的第一层输入;对网络参数进行无监督的预训练;随后结合S4中所构建的样本标签集对BP_net2网络进行有监督微调,利用随机梯度下降法对该网络重复训练K次,使损失函数最小,至此完成分类器的训练过程;
S8、采用步骤S7中获得的分类器模型对测试样本进行目标识别。
2.根据权利要求1所述的基于遗传算法优化的神经网络雷达一维像识别方法,其特征在于,所述步骤S5的具体方法是:
S51、构建BP_net1框架:
首先搭***的结构框架,输入节点数为训练集中一维距离像的维数300,隐藏层节点数分别为h1、h2、h3,输出层为softmax层,节点数为N=4,隐含层的激活函数均设为RELU;
S52、构建BP_net1的损失函数:
根据设BP_net1分类器的损失函数为loss1:
其中表示第i类目标在第k个时间段所获取的第j幅一维距离像,yikj为其所对应的标签,f(·)为激活函数;
S53、设置自适应学习率;
首先,对BP_net1分类器的初始学习率Rate1进行随机初始化;
然后按下面公式对其学习率进行迭代变化:
Rate1(n+1)=α1*Rate1(n)+β1*|loss1(n)|2
其中α1、β1为确定常数,可以根据实验确定,Rate(n)、loss(n)分别表示***训练中第n次迭代后的学习率和损失误差值,随机初始化***的权重和偏差以及初始学习率Rate1。
3.根据权利要求2所述的基于遗传算法优化的神经网络雷达一维像识别方法,其特征在于,所述步骤S6的具体方法是:
S61、染色体编码及初始化:
首先计算L=300*h1+h1+h1*h2+h2+h2*h3+h3+h3*N,其中L表示神经网络连接权值和偏差的总数,其中300表示输入一维距离像的维数,h1、h2、h3分别表示网络隐含层的节点数,N表示输出层的节点数;为方便表达选择对染色体编码采用实数编码方式,利用S5中训练过程中所得参数集合初始化10条染色体,其中
S62、设置适应度函数:
对于染色体适应度函数的选择,选择使用S5中BP_net1网络的目标函数,则第m条染色体的适应度函数可以表示为:
其中m=1,2,...,10
其中T(m)表示采用第m条染色体初始化BP_net2网络后,经训练得到的预测输出结果,y表示与预测样本相对应的标签;Fit(m)的值越大,则说明第m条染色体越容易被保留进化;
S63、进化参数选取:
染色体交叉和变异是遗传算法的最基本操作,为保证染色体搜索的随机性和染色体寻优的多样性,特设交叉概率Pc=0.5,变异概率Pe=0.09;
S64、最优参数集合解选择
WB_new=wb(q),其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939169.7A CN107657243B (zh) | 2017-10-11 | 2017-10-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939169.7A CN107657243B (zh) | 2017-10-11 | 2017-10-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107657243A CN107657243A (zh) | 2018-02-02 |
CN107657243B true CN107657243B (zh) | 2019-07-02 |
Family
ID=61117148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710939169.7A Expired - Fee Related CN107657243B (zh) | 2017-10-11 | 2017-10-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657243B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985382B (zh) * | 2018-05-25 | 2022-07-15 | 清华大学 | 基于关键数据通路表示的对抗样本检测方法 |
CN108805091B (zh) * | 2018-06-15 | 2021-08-10 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN108919227B (zh) * | 2018-08-17 | 2021-12-31 | 电子科技大学 | 一种基于gpu加速的多通道fblms实现方法 |
CN110111360B (zh) * | 2019-04-19 | 2022-05-03 | 电子科技大学 | 一种基于自组织映射网络的穿墙雷达人体动作表征方法 |
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 |
CN110442954B (zh) * | 2019-07-31 | 2022-11-25 | 东北大学 | 基于物理冶金学指导下机器学习的超高强不锈钢设计方法 |
CN110442953B (zh) * | 2019-07-31 | 2022-11-25 | 东北大学 | 基于物理冶金学指导下机器学习的q&p钢的设计方法 |
CN111144566B (zh) * | 2019-12-30 | 2024-03-22 | 深圳云天励飞技术有限公司 | 神经网络权重参数的训练方法、特征分类方法及对应装置 |
CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
CN111401226B (zh) * | 2020-03-13 | 2022-11-01 | 电子科技大学 | 一种辐射源快速识别方法 |
CN113253229B (zh) * | 2021-05-12 | 2023-09-26 | 中国人民解放军空军工程大学 | 一种雷达目标识别方法及*** |
CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及*** |
CN115113168A (zh) * | 2022-08-25 | 2022-09-27 | 南京宇安防务科技有限公司 | 一种基于神经网络的雷达杂波抑制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760889A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 星载微波和红外遥感融合对城区地物特征进行分类的方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2596455A1 (en) * | 2010-07-20 | 2013-05-29 | Lockheed Martin Corporation | Image analysis systems using non-linear data processing techniques and methods using same |
-
2017
- 2017-10-11 CN CN201710939169.7A patent/CN107657243B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760889A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 星载微波和红外遥感融合对城区地物特征进行分类的方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 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 |
Non-Patent Citations (2)
Title |
---|
Radar HRRP Target Recognition Based on Concatenated Deep Neural;Liao, K 等;《IEEE ACCESS》;20180331;第29211-29218页 * |
基于高分辨距离像的雷达自动目标识别研究;廖阔;《中国博士学位论文全文数据库 信息科技辑》;20121215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107657243A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657243B (zh) | 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 | |
Hernández-Lobato et al. | Parallel and distributed Thompson sampling for large-scale accelerated exploration of chemical space | |
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 | |
Young et al. | Optimizing deep learning hyper-parameters through an evolutionary algorithm | |
CN110135630A (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN103605711B (zh) | 支持向量机分类器的构造方法及装置、分类方法及装置 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测*** | |
CN106503800A (zh) | 基于复杂网络的深度学习模型及在测量信号分析中的应用 | |
CN105510970B (zh) | 获取地震相最佳分类数目的方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN107423705A (zh) | 基于多层概率统计模型的sar图像目标识别方法 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN106228197A (zh) | 一种基于自适应极限学习机的卫星图像云量识别方法 | |
CN110321960A (zh) | 一种工厂生产要素的预测方法及*** | |
CN111723523A (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
CN108334957A (zh) | 电网一次设备运维检修成本预测方法及*** | |
CN110263380A (zh) | 一种纺丝工序级联建模分段区间参数配置方法 | |
CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
CN109948589A (zh) | 基于量子深度信念网络的人脸表情识别方法 | |
CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190702 Termination date: 20201011 |
|
CF01 | Termination of patent right due to non-payment of annual fee |