水下目标的特征提取及识别

针对水下成像的特殊性以及成像环境的复杂性,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难。此外针对传统的BP神经网络存在收敛速度慢以及容易陷入局部极小值的缺点,引入粒子群算法对神经网络的学习训练进行优化。为了验证所提方法的有效性,对四类水下目标进行了特征提取以及神经网络识别实验。结果表明改进后的神经网络收敛速度快,并且获得了较高的识别准确率。     

基于连续小波变换的水下目标特征提取与分类

在连续小波变换的基础上,提出了信号的尺度-小波能量谱和时间-小波能量谱的概念 ,同时定义了选择特征的一种判别函数。利用信号的尺度-小波能量谱、时间-小波能量谱提取了菜蒙湖底沉积物反射回波的特征,依据判别函数给出了回波的特征向量,并用最近距离分类器和近邻分类器对反射回波进行了分类。结果表明,尺度-小波能量谱和时间-小波能量谱相比有较好的分类效果和较低的特征维数。最后研究了所提取特征的鲁棒性。     

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。     

基于卷积神经网络的SAR图像舰船目标检测

近年来,深度学习在物体检测领域取得了非常大的突破,但是鲜有用于合成孔径雷达(synthetic aperture radar, SAR)图像中舰船目标检测,论文将基于深度学习的目标检测方法引入到了SAR图像舰船目标检测。首先分析了目前先进的Faster R-CNN检测算法优点及其在SAR图像舰船检测领域的局限。在此基础上,构建了一个新的SAR图像舰船目标检测数据集SSDD,数据集包含不同分辨率、尺寸、海况、传感器类型等条件下的舰船SAR图像,它可以作为本领域研究人员评价其算法的基准。提出了SAR图像舰船目标检测的新方法,包括特征聚合、迁移学习、损失函数设计和其他应用细节,并在数据集上进行了大量的对比实验。实验结果证明提出的方法可以有更高的检测准确率和更快的检测速度。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。     

基于深度卷积神经网络的PolSAR图像变化检测方法

针对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像变化检测问题,提出了结合区域信息和深度卷积神经网络(deep convolutional neural network,DCNN)的PolSAR图像变化检测算法。在本方法中,用超像素分割算法与超像素合并算法提取图像场景的区域信息,利用区域信息和Wishart似然比得到差异图像;再运用预分类算法以得到训练DCNN的伪训练样本和待分类样本;接着用伪训练样本训练DCNN;最后用训练好的DCNN对待分类样本进行分类得到最终结果。实验结果表明,与多种PolSAR变化检测算法相比,所提算法能够获得更好的结果。     

基于循环平稳的动目标特征提取方法研究

介绍了基于循环平稳的脉冲多普勒雷达对目标回波信号参数的提取方法。分析了该参数提取方法的性能 ,结合弹载高重频脉冲多普勒雷达的特点 ,提出了一种动目标运动特征的递归提取方法应用于运动目标参数(速度、加速度 )的特征提取过程。分析、仿真实验证明 :该方法可以最大限度地利用系统的资源 ,在雷达信号处理中达到信噪比和加速度分辨率之间的动态平衡     

水下目标特征提取与分类的C30硬件实验研究

本文针对水下目标识别问题，在Ｃ３０信号处理机上实现了目标特征提取、特征压缩和分类三个环节的几个典型方法，并实验研究了这些方法的性能。结果表明，Ｃ３０处理器能有效地实现复杂的目标识别方法，且各方法表现出良好的识别效果和实时性能，为目标识别技术实际应用提供了重要的依据和实验手段。     

基于多目标神经网络的前列腺癌诊断方法

前列腺癌是男性恶性肿瘤中发病率最高的肿瘤之一.通过对前列腺癌的有效诊断,可以尽早治疗,降低前列腺癌的死亡率.针对前列腺癌早期筛查的准确度不足,病理检查给病人身体带来严重负担的现状,以及现有基于数据挖掘的癌症诊断方法只关注诊断结果准确性或者只关注可解释性的问题,本文提出一种基于多目标神经网络的诊断方法,通过特征选择提取对诊断结果最具有解释性的特征子集,以提高模型的可解释性和准确度;通过采用进化计算的方式进行神经网络的结构和权重学习,从而构建有效的能够充分体现临床信息与前列腺癌之间关联的多目标神经网络模型进行前列腺癌诊断;并通过Pareto优化方法对模型训练过程中的结构和参数进行优化,从而提供多个有效的诊断模型以满足医务工作者不同的决策偏好.     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位.针对现有调制识别算法在低信噪比条件下识别率低的问题,提出一种基于生成对抗网络(generative adversarial network,GAN)和卷积神经网络(convolu-tional neural network,CNN)的数字信号调制识别方法.在利用平滑伪W...     

基于分形特征矢量的水下目标识别

讨论目标回波的分形特征和基于分形的识别方法,并用实际潜艇的回波数据进行了分形特征识别研究。在分析回波信号时间域波形的基础上,应用随机分形理论,给出基于分形布朗运动的回波信号分维特征矢量提取的理论和方法;提取了回波信号的分形维特征矢量。进而给出了基于BP网络的分类计算方法,计算结果表明,所提的提取水声回波信号目标特征矢量的方法与分类方法切实可行。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法.时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数.然后,计算信号...     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先,计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后,构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

结合深度学习思想, 提出了一种基于多尺度交互结构卷积神经网络(convolutional neural network, CNN)的合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制方法。首先, 通过不同尺寸的卷积核及跳跃连接构成多尺度交互特征提取模块以获得不同感受野的特征并加快网络收敛速度。然后, 在多尺度交互特征提取模块之间利用简化的密集连接方式使网络能够充分利用浅层纹理特征。最后, 采用残差学习策略得到抑制后的图像。实验结果表明, 与已有方法相比, 所提方法不仅使用较少的计算参数量, 还能保证性能的提升。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。