CN111273288B - 一种基于长短期记忆网络的雷达未知目标识别方法 - Google Patents

一种基于长短期记忆网络的雷达未知目标识别方法 Download PDF

Info

Publication number
CN111273288B
CN111273288B CN202010151942.5A CN202010151942A CN111273288B CN 111273288 B CN111273288 B CN 111273288B CN 202010151942 A CN202010151942 A CN 202010151942A CN 111273288 B CN111273288 B CN 111273288B
Authority
CN
China
Prior art keywords
long
dimensional range
range profile
term memory
distance
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
CN202010151942.5A
Other languages
English (en)
Other versions
CN111273288A (zh
Inventor
周代英
张同梦雪
胡晓龙
李粮余
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 CN202010151942.5A priority Critical patent/CN111273288B/zh
Publication of CN111273288A publication Critical patent/CN111273288A/zh
Application granted granted Critical
Publication of CN111273288B publication Critical patent/CN111273288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于未知目标识别技术领域，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。本发明首先对宽带雷达一维距离像数据(HRRP)进行预处理；其次对长短期记忆网络从一维距离像中提取的特征矢量进行主成分分析(PCA)，降低特征矢量维度，最后通过最近邻法(NN)处理已知目标样本数据的低维度特征矢量，获取判别门限，对长短期记忆网络的输出矢量进行判别，从而识别出未知目标。针对常规的卷积网络，由于长短期记忆网络能够提取相邻一维距离像样本之间的相关信息，有效描述输入一维距离像样本序列间的变化特性，从而改善了对未知目标的识别性能。

Description

一种基于长短期记忆网络的雷达未知目标识别方法
技术领域
本发明属于未知目标识别技术领域，具体涉及一种基于长短期记忆网络的雷达未知目标识别方法。
背景技术
一维距离像(HRRP)反映了目标的尺寸和散射中心分布等结构特征，具有实时性强、易于获取和存储等优点，是当前识别飞机等空中目标的主要手段。
随着深度学***移不变性特点的卷积神经网络对已训练的雷达目标一维距离像具有好的识别率，但是不能正确识别未知目标(即没有参与训练的目标)，对此，利用深层卷积神经网络+门限即可实现对未知目标的识别，然而，由于卷积神经元网络末能使用相邻样本间的相关信息，因此，对未知目标的识别性能还有进一步改进的余地。
发明内容
本发明的主要内容是针对上述问题，提出一种基于深度卷积神经网络的雷达未知目标识别方法。该方法采用长短期记忆网络提取输入序列中相邻样本间的相关特性，有效描述了与目标结构有关的特征信息，从而改善了对未知目标的识别率。
本发明的技术方案是：一种基于长短期记忆网络的雷达未知目标识别方法，包括以下步骤：
S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x1,x2,...,xi,…,xn]，其中n为距离单元个数，xi表示第i个距离单元的幅度，为降低一维距离像幅度敏感性对识别性能的影响，突出强散射点与其余散射点的对比效果，对一维距离像进行β-均值标准化处理：
Figure BDA0002402756910000011
其中
Figure BDA0002402756910000021
表示第i个距离单元归一化幅度，β为常数，Ex表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为
Figure BDA0002402756910000022
S2、构建长短期记忆神经网络模型，在循环神经网络基础上进行改造的长短期记忆神经网络(LSTM)，能够一定程度解决梯度消失的问题，如图1所示，本发明的长短期记忆神经网络总共有11层，依次为LSTM层、Dropout层1、Flatten层、全连接层1、Dropout层2、全连接层2、全连接层3、Dropout层3、全连接层4、全连接层5、分类器；除单个LSTM层和以softmax为激活函数的分类输出层之外，含有多个全连接层和dropout层使部分神经元随机失活以减小训练参数，降低模型过拟合风险；将多幅一维距离像经预处理后按时间顺序输入网络，考虑雷达最小分辨单位以及HRRP数据特征，时间步长设为1，长短期记忆神经网络的输入为
Figure BDA0002402756910000023
输出为分类器给出的识别标签
Figure BDA0002402756910000024
其中
Figure BDA0002402756910000025
为第m个时刻预处理后的一维距离像，1≤m≤N，N为一维距离像数量，
Figure BDA0002402756910000026
为第m个时刻预处理后的一维距离像对应的识别标签；所述LSTM层的基本单元为记忆单元，如图2所示，每个记忆单元包含输入门、遗忘门和输出门三个元件，第m个时刻记忆单元的输入为
Figure BDA0002402756910000027
该记忆单元拥有输出hm和记忆值cm，
Figure BDA0002402756910000028
经输入门、遗忘门、输出门和上一时刻记忆单元的输出值hm-1、记忆值cm-1的共同作用，最终得到hm，记忆单元的串接如图3所示，具体为：
Figure BDA0002402756910000029
Figure BDA00024027569100000210
Figure BDA00024027569100000211
Figure BDA00024027569100000212
hm＝om⊙R(cm)
其中，im为输入门、fm为遗忘门、om为输出门，Wxi和Vhi为输入门权重参数，bi为输入门偏置项，Wxf和Vhf为遗忘门权重参数，bf为遗忘门偏置项，Wxc和Vhc为记忆值权重参数，bc为记忆值偏置项，Wxo和Vho为输出门权重参数，bo为输出门偏置项，⊙表示矢量中对应元素乘积，σ(·)为sigmoid激活函数，R(·)为relu激活函数，经LSTM层得到1024维特征矢量，在由多个激活函数为relu的全连接层反复提取特征矢量，以800,500,100,50,20的次序依次降低维度后，最终通过softmax函数，输出识别标签
Figure BDA0002402756910000031
S3、确定识别门限：针对常规神经网络目标分类任务，未知类别目标将会在分类中被强制识别为某一已知类别。为了识别未知目标，本发明采用主成分分析法(PCA)与最近邻法(NN)相结合获取识别门限，具体为：
在LSTM网络的最后一个全连接层中可以获得维度为20的特征矢量Z＝[z1,z2,…,z20]。为了减少后续的计算量，利用主成分分析法(PCA)对特征矢量降维，将Z降低至二维得到
Figure BDA0002402756910000032
把
Figure BDA0002402756910000033
视为横轴坐标，
Figure BDA0002402756910000034
视为纵轴坐标后进行散点可视化分析，获得各已知目标类的聚类图像；
将已知目标的训练一维距离像数据集分为两部分，使用第一部分数据对长短期记忆神经网络进行训练，每个一维距离像通过长短期记忆神经网络的全连接层5获得维度为20的特征矢量Z＝[z1,z2,…,z20]，利用主成分分析法对特征矢量降维，将Z降低至二维得到
Figure BDA0002402756910000035
将第一部分数据训练完后获得的特征矢量降维后构成特征矢量模板库；利用经过第一部分数据训练好的长短期记忆神经网络提取第二部分一维距离像数据对应的特征矢量，降维后，计算相应特征矢量与库特征矢量模板之间最近距离，组成最近距离矢量d＝[d1,d2,...,dk,…,dM]T，其中，dk为第二部分一维距离像特征矢量与库特征矢量模板间的最近距离，1≤k≤M，M为第二部分的一维距离像个数；
利用最近距离矢量d中的元素计算最近距离直方图，根据预先确定已知目标的正确判别率，从最近距离直方图中选择一个距离值作为识别门限τ；
S4、未知目标识别：
将待识别目标一维距离像数据xt经过β-均值标准化处理后输入到训练好的长短期记忆神经网络模型中，提取并降维后得到特征矢量
Figure BDA0002402756910000036
再计算
Figure BDA0002402756910000037
与库特征矢量模板之间的最近距离dt；若最近距离大于或等于门限即dt≥τ，则待识别一维距离像xt被识别为未知目标；若最近距离小于门限即dt<τ，则待识别一维距离像xt被识别为已知目标。
本发明的有益效果为，本发明由于引入了采用差值概率法获取的判别门限，有效描述了已知目标与未知目标数据集的统计分布区域边界，解决了常规卷积神经网络无法识别未知目标的难题。
附图说明
图1为长短期记忆神经网络模型结构示意图；
图2为LSTM记忆单元结构图；
图3为LSTM记忆单元的串接图。
具体实施方式
下面结合仿真示例，证明本发明的有效性。
利用专用电磁仿真特性场景得到的AH64、AN26、F15、B1B、B52五种不同型号的军用飞机的仿真一维距离像进行实验。实验仿真雷达参数包括：雷达载波频率6GHz，雷达带宽为400MHz。仿真场景中，仿真目标以仰角3°在方位角0°～180°范围内每隔0.1°采集一幅一维距离像，每类飞机各采集1801幅一维距离像，每幅一维距离像各含有320个距离单元，即每类飞机输入数据均为1801×320的一维距离像矩阵。
训练更新参数的过程中，随机初始化权重Wxi、Vhi、Wxf、Vhf、Wxc、Vhc、Wxo、Vho与偏置bi、bf、bc、bo，选择交叉熵损失函数作为loss函数和具有自适应学习率的Adam优化器优化参数，学习率初始化为0.0001。
利用常规卷积神经网络方法和本文方法对以上5类仿真雷达目标数据的识别结果如表1所示：
表1两种方法对未知目标的识别结果
Figure BDA0002402756910000041
Figure BDA0002402756910000051
从实验结果中可以看出，在随机抽取三类飞机作为已知目标，另外两类飞机作为未知目标的情况下，使用深层卷积神经网络+门限方法的平均未知目标识别率为81％左右，而本文利用长短期记忆网络提取相邻一维距离像之间的相关特性，有效描述了样本序列间的变化特性，进一步改善了对未知目标的识别能力，使未知目标的平均正确识别率在95％以上，从而验证了本文方法是有效的。

Claims (1)

1.一种基于长短期记忆网络的雷达未知目标识别方法，其特征在于，包括以下步骤：
S1、基于目标散射中心模型，设宽带雷达获取的单幅目标一维距离像样本为x＝[x1,x2,…,xi,…,xn]，其中n为距离单元个数，xi表示第i个距离单元的幅度，对一维距离像进行β-均值标准化处理：
Figure FDA0002402756900000011
其中
Figure FDA0002402756900000012
表示第i个距离单元归一化幅度，β为常数，Ex表示该单幅距离像的均值，β-均值标准化处理后的单幅一维距离像为
Figure FDA0002402756900000013
S2、构建长短期记忆神经网络模型，长短期记忆神经网络总共有11层，依次为LSTM层、Dropout层1、Flatten层、全连接层1、Dropout层2、全连接层2、全连接层3、Dropout层3、全连接层4、全连接层5、分类器；长短期记忆神经网络的输入为
Figure FDA0002402756900000014
输出为分类器给出的识别标签
Figure FDA0002402756900000015
其中
Figure FDA0002402756900000016
为第m个时刻预处理后的一维距离像，1≤m≤N，N为一维距离像数量，
Figure FDA0002402756900000017
为第m个时刻预处理后的一维距离像对应的识别标签；所述LSTM层的基本单元为记忆单元，每个记忆单元包含输入门、遗忘门和输出门三个元件，第m个时刻记忆单元的输入为
Figure FDA0002402756900000018
该记忆单元拥有输出hm和记忆值cm，
Figure FDA0002402756900000019
经输入门、遗忘门、输出门和上一时刻记忆单元的输出值hm-1、记忆值cm-1的共同作用，最终得到hm，具体为：
Figure FDA00024027569000000110
Figure FDA00024027569000000111
Figure FDA00024027569000000112
Figure FDA00024027569000000113
hm＝om⊙R(cm)
其中，im为输入门、fm为遗忘门、om为输出门，Wxi和Vhi为输入门权重参数，bi为输入门偏置项，Wxf和Vhf为遗忘门权重参数，bf为遗忘门偏置项，Wxc和Vhc为记忆值权重参数，bc为记忆值偏置项，Wxo和Vho为输出门权重参数，bo为输出门偏置项，⊙表示矢量中对应元素乘积，σ(·)为sigmoid激活函数，R(·)为relu激活函数，经LSTM层得到1024维特征矢量，在由多个激活函数为relu的全连接层反复提取特征矢量，以800,500,100,50,20的次序依次降低维度后，最终通过softmax函数，输出识别标签
Figure FDA0002402756900000021
S3、确定识别门限：将已知目标的训练一维距离像数据集分为两部分，使用第一部分数据对长短期记忆神经网络进行训练，每个一维距离像通过长短期记忆神经网络的全连接层5获得维度为20的特征矢量Z＝[z1,z2,…,z20]，利用主成分分析法对特征矢量降维，将Z降低至二维得到
Figure FDA0002402756900000022
将第一部分数据训练完后获得的特征矢量降维后构成特征矢量模板库；利用经过第一部分数据训练好的长短期记忆神经网络提取第二部分一维距离像数据对应的特征矢量，降维后，计算相应特征矢量与库特征矢量模板之间最近距离，组成最近距离矢量d＝[d1,d2,...,dk,...,dM]T，其中，dk为第二部分一维距离像特征矢量与库特征矢量模板间的最近距离，1≤k≤M，M为第二部分的一维距离像个数；
利用最近距离矢量d中的元素计算最近距离直方图，根据预先确定已知目标的正确判别率，从最近距离直方图中选择一个距离值作为识别门限τ；
S4、未知目标识别：
将待识别目标一维距离像数据xt经过β-均值标准化处理后输入到训练好的长短期记忆神经网络模型中，提取并降维后得到特征矢量
Figure FDA0002402756900000023
再计算
Figure FDA0002402756900000024
与库特征矢量模板之间的最近距离dt；若最近距离大于或等于门限即dt≥τ，则待识别一维距离像xt被识别为未知目标；若最近距离小于门限即dt<τ，则待识别一维距离像xt被识别为已知目标。
CN202010151942.5A 2020-03-06 2020-03-06 一种基于长短期记忆网络的雷达未知目标识别方法 Active CN111273288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010151942.5A CN111273288B (zh) 2020-03-06 2020-03-06 一种基于长短期记忆网络的雷达未知目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010151942.5A CN111273288B (zh) 2020-03-06 2020-03-06 一种基于长短期记忆网络的雷达未知目标识别方法

Publications (2)

Publication Number Publication Date
CN111273288A CN111273288A (zh) 2020-06-12
CN111273288B true CN111273288B (zh) 2022-05-24

Family

ID=70999428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010151942.5A Active CN111273288B (zh) 2020-03-06 2020-03-06 一种基于长短期记忆网络的雷达未知目标识别方法

Country Status (1)

Country Link
CN (1) CN111273288B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014821B (zh) * 2020-08-27 2022-05-17 电子科技大学 一种基于雷达宽带特征的未知车辆目标识别方法
CN112163636B (zh) * 2020-10-15 2023-09-26 电子科技大学 基于孪生神经网络的电磁信号辐射源的未知模式识别方法
CN114821335B (zh) * 2022-05-20 2023-04-25 电子科技大学 基于深度特征与线性判别特征融合的未知目标判别方法
CN114943286B (zh) * 2022-05-20 2023-04-07 电子科技大学 一种基于时域特征与空域特征融合的未知目标判别方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09152480A (ja) * 1995-11-30 1997-06-10 Mitsubishi Electric Corp 自動目標認識装置
CN107463966A (zh) * 2017-08-17 2017-12-12 电子科技大学 基于双深度神经网络的雷达一维距离像目标识别方法
CN107545279A (zh) * 2017-08-30 2018-01-05 电子科技大学 基于卷积神经网络与加权核特征分析的图像识别方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
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
CN108267724A (zh) * 2018-01-19 2018-07-10 中国人民解放军陆军装甲兵学院 一种雷达目标识别的未知目标识别方法
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法
EP3525131A1 (en) * 2018-02-09 2019-08-14 Bayerische Motoren Werke Aktiengesellschaft Methods and apparatuses for object detection in a scene represented by depth data of a range detection sensor and image data of a camera
CN110334741A (zh) * 2019-06-06 2019-10-15 西安电子科技大学 基于循环神经网络的雷达一维距离像识别方法
CN110363151A (zh) * 2019-07-16 2019-10-22 中国人民解放军海军航空大学 基于双通道卷积神经网络虚警可控的雷达目标检测方法
CN110738984A (zh) * 2019-05-13 2020-01-31 苏州闪驰数控***集成有限公司 人工智能cnn、lstm神经网络语音识别***

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09152480A (ja) * 1995-11-30 1997-06-10 Mitsubishi Electric Corp 自動目標認識装置
CN107463966A (zh) * 2017-08-17 2017-12-12 电子科技大学 基于双深度神经网络的雷达一维距离像目标识别方法
CN107545279A (zh) * 2017-08-30 2018-01-05 电子科技大学 基于卷积神经网络与加权核特征分析的图像识别方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
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
CN108267724A (zh) * 2018-01-19 2018-07-10 中国人民解放军陆军装甲兵学院 一种雷达目标识别的未知目标识别方法
EP3525131A1 (en) * 2018-02-09 2019-08-14 Bayerische Motoren Werke Aktiengesellschaft Methods and apparatuses for object detection in a scene represented by depth data of a range detection sensor and image data of a camera
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法
CN110738984A (zh) * 2019-05-13 2020-01-31 苏州闪驰数控***集成有限公司 人工智能cnn、lstm神经网络语音识别***
CN110334741A (zh) * 2019-06-06 2019-10-15 西安电子科技大学 基于循环神经网络的雷达一维距离像识别方法
CN110363151A (zh) * 2019-07-16 2019-10-22 中国人民解放军海军航空大学 基于双通道卷积神经网络虚警可控的雷达目标检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Nasrabadi, NM.Automatic target recognition using deep convolutional neural networks.《AUTOMATIC TARGET RECOGNITION XXVIII》.2019, *
Wang, XQ.Multi-Object Detection in Traffic Scenes Based on Improved SSD.《ELECTRONICS》.2018, *
Zhou D.Radar target HRRP recognition based on reconstructive and discriminative dictionary learning.《Signal Processing》.2016, *
周代英.基于二阶模糊聚类算法的雷达目标距离像识别.《计算机应用》.2011, *
周毅.基于高分辨一维距离像的目标特征提取及融合识别研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2018,(第9期), *
李文辉.基于深度学习的SAR图像目标识别.《万方数据库》.2018, *
王泓霖.基于PSO-BP神经网络的HRRP目标识别.《火力与指挥控制》.2019, *
盖晴晴.极化雷达目标识别与多分类器融合研究.《万方数据库》.2018, *

Also Published As

Publication number Publication date
CN111273288A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111273288B (zh) 一种基于长短期记忆网络的雷达未知目标识别方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN105913025B (zh) 一种基于多特征融合的深度学习人脸识别方法
US10713563B2 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
CN106599797B (zh) 一种基于局部并行神经网络的红外人脸识别方法
CN103489005B (zh) 一种基于多分类器融合的高分辨率遥感影像分类方法
CN111352086B (zh) 一种基于深度卷积神经网络的未知目标识别方法
US11150327B1 (en) System and method for synthetic aperture radar target recognition using multi-layer, recurrent spiking neuromorphic networks
CN111753874A (zh) 一种结合半监督聚类的图像场景分类方法及***
CN109766934B (zh) 一种基于深度Gabor网络的图像目标识别方法
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN114898151A (zh) 一种基于深度学习与支持向量机融合的图像分类方法
Arzar et al. Butterfly species identification using convolutional neural network (CNN)
Xiao et al. Specific emitter identification of radar based on one dimensional convolution neural network
Shang et al. Image spam classification based on convolutional neural network
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN114973019A (zh) 一种基于深度学习的地理空间信息变化检测分类方法及***
CN112381108A (zh) 一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和***
Astuti et al. Multilevel thresholding hyperspectral image segmentation based on independent component analysis and swarm optimization methods
CN112990279B (zh) 基于自动编码器的雷达高分辨距离像库外目标拒判方法
CN114624715A (zh) 一种基于自注意力时空神经网络模型的雷达回波外推方法
CN113128387A (zh) 基于面部表情特征分析的吸毒者毒瘾发作识别方法
Qu et al. Frequency-Hopping Signal Sorting Based on Deep Leaming
Blomerus et al. Improved explainability through uncertainty estimation in automatic target recognition of SAR images
Sivachandiran et al. Automated deep learning based age and gender classification model using facial features for video surveillance

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