CN108490415A - 一种智能sar雷达海上舰船目标识别系统 - Google Patents
一种智能sar雷达海上舰船目标识别系统 Download PDFInfo
- Publication number
- CN108490415A CN108490415A CN201810457997.1A CN201810457997A CN108490415A CN 108490415 A CN108490415 A CN 108490415A CN 201810457997 A CN201810457997 A CN 201810457997A CN 108490415 A CN108490415 A CN 108490415A
- Authority
- CN
- China
- Prior art keywords
- feature
- module
- indicate
- sar
- naval vessel
- 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.)
- Pending
Links
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种智能SAR雷达海上舰船目标识别系统,包括SAR雷达、数据库以及上位机;SAR雷达、数据库、上位机依次相连,所述SAR雷达对海域进行实时监测,并将SAR雷达获得的图像数据存储到所述的数据库中,所述的上位机包括图像预处理模块、特征提取模块、特征选择模块、分类器训练模块、智能寻优模块以及结果显示模块。本发明提供一种实现在线识别、精度高的海上舰船目标识别系统。
Description
技术领域
本发明涉及雷达数据处理领域,特别地,涉及一种智能SAR雷达海上舰船目标识别系统。
背景技术
现代的海上搜救、海上监测、海上搜救等海事任务是在一个高度信息化的技术支撑环境下完成的,为获取海上搜救、海上监测、海上搜救等海事任务信息,大量的传感器应用其中。传统的传感器网络是由飞机和舰艇的雷达/光电探测、潜艇的声纳和地面/海上的侦察监视等装置组成,而这些类型的传感器这些都是非成像传感器,通过这些类型的传感器信息检测识别得到的结果往往只表示出目标的距离、方位、类型(如水面、水下、空中),难以对目标的种类(如航母、护卫舰、驱逐舰、巡洋舰、民船)进行直观识别。随着卫星遥感技术的进步,具有高空间分辨率的卫星可以为海域及舰船目标的侦查、监视提供优质的数据源,使得舰船目标检测与识别可以获得更加丰富与准确的信息。目前基于SAR图像的舰船目标检测已经有了广泛的研究,而舰船目标分类识别由于SAR图像分辨率的限制才刚刚起步,已有的一些研究成果也由于研究不够透彻,模型的效果并不是很好。因此,积极开展基于高分辨率SAR图像的舰船目标分类识别研究具有极其重大的意义。
发明内容
为了克服目前基于SAR图像的海上舰船目标识别准确率不高的不足,本发明的目的在于提供一种实现实时分析的智能SAR雷达海上舰船目标识别系统。
本发明解决其技术问题所采用的技术方案是:一种智能SAR雷达海上舰船目标识别系统,包括SAR雷达、数据库以及上位机,SAR雷达、数据库和上位机依次相连,所述SAR雷达对海域进行实时监测,并将SAR雷达获得的图像数据存储到所述的数据库中,所述的上位机包括:
图像预处理模块,用以进行SAR雷达图像数据预处理,采用如下过程完成:
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值,g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值,其中x0,y0分别表示像素点的横坐标和纵坐标;
2)通过计算满足f=m和g=n的像素数目h(m,n),得到二维联合概率密度pmn:
pmn=p(m,n)=h(m,n)/M
其中,M表示图像像素的总数目;
3)计算二维直方图的均值向量μ:
4)分别计算图像中目标和背景出现的概率P01和均值向量μ01:
其中,t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域;
5)计算类间方差BCV:
BCV=P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′;
其中,μ表示均值向量,上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]:
特征提取模块,用以进行舰船典型特征的提取,采用如下过程完成:
1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n),其中只包含目标区域的二值图为B(m,n),则只包含目标的图像T(m,n):
T(m,n)=I(m,n)×B(m,n)
其中,×表示对应像素相乘;
2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形,则该矩形的长边长度Length即为舰船个体的长度,矩形的短边长度Width即为舰船个体的宽度;
3)计算得到几何结构特征,其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量:
周长面积长宽比R=Length/Width;形状复杂度C=Length2/4πS;目标区域的质心位置
转动惯量式中,r代表了目标像素点与质心之间的距离,
4)计算得到灰度统计特征,其中包括质量、均值、方差系数、标准差、分形维数、加权填充比:
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和;分形维数H=(log10N1-log10N2)/(log10d1-log10d2),该特征的计算方法是:用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K=50)个最亮像素点的二值图B2(m,n),首先将一个大小为d1×d2的窗口在这个二值图中连续滑动,记下窗口中包含亮点的窗口总数记为N1,接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动,记下在窗口中包含亮点的窗口总数记为N2;
加权填充比
特征选择模块,用以选择出最优特征子集,采用如下过程完成:
1)计算类内距离类间距离以及类内类间距Ji:
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,表示训练集样本的总体均值,Nω表示第ω类舰船的数量,N表示训练集中舰船总数,E表示期望,下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω):
ρi (ω)=E[||Fi (ω)||2 2]-E2[||Fi (ω)||2]/E[||Fi (ω)||2 2]
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小,表明该目标特征的稳定性越好;
3)计算得到相关系数ri,j:
其中,i,j表示特征标号,||Fi||2表示特征Fi的2范数,和分别表示Fi和Fj的均值,σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知,0≤ri,j≤1;如果两个特征完全不相关,ri,j=0;如果两个特征完全相关,ri,j=1;如果两个特征之间的相关性很低,即特征之间的信息冗余非常少,那么ri,j就会越接近0;反之,如果两个特征之间的相关性很高,即特征之间的信息冗余非常多,那么ri,j就会越接近1;
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集,构造最优输入特征向量;
分类器训练模块,用以进行分类器训练,采用如下过程完成:
5)从特征选择模块中采集N个SAR雷达图像xi作为训练样本,i=1,2,…,N;
6)对训练样本进行归一化处理,得到归一化样本
7)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
8)将得到的X,Y代入如下线性方程:
其中表示权重对角矩阵,K=exp(-||xi-xj||/θ2)表示核函数,γ表示惩罚系数;权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,…,1]′,上标’表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2)是核函数,其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,θ是核参数,x表示输入变量,γ是惩罚系数;
智能寻优模块,用以采用遗传算法对分类器的核参数θ和惩罚因子γ进行优化,采用如下过程完成:
1)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条件为达到最大代数或者连续五次适应度不变。
结果显示模块,用以进行识别结果的显示,即将输入SAR图像中舰船的类型显示在屏幕当中。
本发明的技术构思为:本发明针对SAR雷达全天时、全天候工作以及强穿透的特性,对SAR雷达监测到的海洋图像进行图像预处理,接着进行特征的提取以及特征的选择,最后通过分类器的训练过程建立海洋舰船目标识别模型,从而实现SAR雷达海上舰船目标的识别。
本发明的有益效果主要表现在:1、可实时识别海上舰船目标;2、所用的识别方法只需较少的训练样本;3、智能化、受人为因素干扰小。
附图说明
图1是本发明所提出的系统的整体结构图;
图2是本发明所提出的上位机的功能模块图。
具体实施方式
下面根据附图具体说明本发明。上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例
参照图1、图2,一种智能SAR雷达海上舰船目标识别系统,包括SAR雷达1、数据库2及上位机3,SAR雷达1、数据库2和上位机3依次相连,所述SAR雷达1对所监测海域进行照射,并将SAR雷达图像存储到所述的数据库2,所述的上位机3包括:
图像预处理模块4,用以进行SAR雷达图像数据预处理,采用如下过程完成:
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值,g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值,其中x0,y0分别表示像素点的横坐标和纵坐标;
2)通过计算满足f=m和g=n的像素数目h(m,n),得到二维联合概率密度pmn:
pmn=p(m,n)=h(m,n)/M
其中,M表示图像像素的总数目;
3)计算二维直方图的均值向量μ:
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1:
其中,t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域;
5)计算类间方差BCV:
BCV=P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′;
其中,μ表示均值向量,上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]:
特征提取模块5,用以进行舰船典型特征的提取,采用如下过程完成:
1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n),其中只包含目标区域的二值图为B(m,n),则只包含目标的图像T(m,n):
T(m,n)=I(m,n)×B(m,n)
其中,×表示对应像素相乘;
2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形,则该矩形的长边长度Length即为舰船个体的长度,矩形的短边长度Width即为舰船个体的宽度;
3)计算得到几何结构特征,其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量:
周长面积长宽比R=Length/Width;形状复杂度C=Length2/4πS;目标区域的质心位置
转动惯量式中,r代表了目标像素点与质心之间的距离,
4)计算得到灰度统计特征,其中包括质量、均值、方差系数、标准差、分形维数、加权填充比:
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和;分形维数H=(log10N1-log10N2)/(log10d1-log10d2),该特征的计算方法是:用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K=50)个最亮像素点的二值图B2(m,n),首先将一个大小为d1×d2的窗口在这个二值图中连续滑动,记下窗口中包含亮点的窗口总数记为N1,接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动,记下在窗口中包含亮点的窗口总数记为N2;
加权填充比
特征选择模块6,用以选择出最优特征子集,采用如下过程完成:
1)计算类内距离类间距离以及类内类间距Ji:
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,表示训练集样本的总体均值,Nω表示第ω类舰船的数量,N表示训练集中舰船总数,E表示期望,下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω):
ρi (ω)=E[||Fi (ω)||2 2]-E2[||Fi (ω)||2]/E[||Fi (ω)||2 2]
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小,表明该目标特征的稳定性越好;
3)计算得到相关系数ri,j:
其中,i,j表示特征标号,||Fi||2表示特征Fi的2范数,和分别表示Fi和Fj的均值,σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知,0≤ri,j≤1;如果两个特征完全不相关,ri,j=0;如果两个特征完全相关,ri,j=1;如果两个特征之间的相关性很低,即特征之间的信息冗余非常少,那么ri,j就会越接近0;反之,如果两个特征之间的相关性很高,即特征之间的信息冗余非常多,那么ri,j就会越接近1;
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集,构造最优输入特征向量;
分类器训练模块7,用以进行分类器训练,采用如下过程完成:
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本,i=1,2,…,N;
2)对训练样本进行归一化处理,得到归一化样本
3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
4)将得到的X,Y代入如下线性方程:
其中表示权重对角矩阵,K=exp(-||xi-xj||/θ2)表示核函数,γ表示惩罚系数;权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,…,1]′,上标’表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2)是核函数,其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,θ是核参数,x表示输入变量,γ是惩罚系数;
智能寻优模块9,用以采用遗传算法对分类器的核参数θ和惩罚因子γ进行优化,采用如下过程完成:
1)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉
概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条
件为达到最大代数或者连续五次适应度不变。
结果显示模块8,用以进行识别结果的显示,即将输入SAR图像中舰船的类型显示在上位机当中。
所述上位机3的硬件部分包括:I/O元件,用于数据的采集和信息的传递;数据存储器,存储运行所需要的数据样本和运行参数等;程序存储器,存储实现功能模块的软件程序;运算器,执行程序,实现指定的功能;显示模块,显示设置的参数和识别结果。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种智能SAR雷达海上舰船目标识别系统,其特征在于:包括SAR雷达、数据库以及上位机,SAR雷达、数据库和上位机依次相连,所述SAR雷达对海域进行实时监测,并将SAR雷达获得的图像数据存储到所述的数据库中,所述的上位机包括图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块、群智优化模块和结果显示模块,所述图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块和结果显示模块依次相连,分类器训练模块与群智优化模块相连。
2.根据权利要求1所述智能SAR雷达海上舰船目标识别系统,其特征在于:所述图像预处理模块用以进行SAR雷达图像数据预处理,采用如下过程完成:
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值,g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值,其中x0,y0分别表示像素点的横坐标和纵坐标;
2)通过计算满足f=m和g=n的像素数目h(m,n),得到二维联合概率密度pmn:
pmn=p(m,n)=h(m,n)/M
其中,M表示图像像素的总数目;
3)计算二维直方图的均值向量μ:
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1:
其中,t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域;
5)计算类间方差BCV:
BCV=P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′;
其中,μ表示均值向量,上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]:
3.根据权利要求1所述智能SAR雷达海上舰船目标识别系统,其特征在于:所述特征提取模块用以进行舰船典型特征的提取,采用如下过程完成:
1)从图像预处理模块传来的只包含一个舰船目标的SAR图像切片I(m,n),其中只包含目标区域的二值图为B(m,n),则只包含目标的图像T(m,n):
T(m,n)=I(m,n)×B(m,n)
其中,×表示对应像素相乘;
2)在B(m,n)中根据舰船个体的主轴方向求得舰船主体区域的最小外接矩形,则该矩形的长边长度Length即为舰船个体的长度,矩形的短边长度Width即为舰船个体的宽度;
3)计算得到几何结构特征,其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量:
周长面积长宽比R=Length/Width;形状复杂度C=Length2/4πS;目标区域的质心位置
转动惯量式中,r代表了目标像素点与质心之间的距离,
4)计算得到灰度统计特征,其中包括质量、均值、方差系数、标准差、分形维数、加权填充比:
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和;分形维数H=(log10N1-log10N2)/(log10d1-log10d2),该特征的计算方法是:用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K=50)个最亮像素点的二值图B2(m,n),首先将一个大小为d1×d2的窗口在这个二值图中连续滑动,记下窗口中包含亮点的窗口总数记为N1,接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动,记下在窗口中包含亮点的窗口总数记为N2;
加权填充比
4.根据权利要求1所述智能SAR雷达海上舰船目标识别系统,其特征在于:所述特征选择模块,用以选择出最优特征子集,采用如下过程完成:
1)计算类内距离类间距离以及类内类间距Ji:
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,表示训练集样本的总体均值,Nω表示第ω类舰船的数量,N表示训练集中舰船总数,E表示期望,下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω):
ρi (ω)=E[||Fi (ω)||2 2]-E2[||Fi (ω)||2]/E[Fi (ω)||2 2]
其中,i表示特征标号,ω表示舰船类别的标号,||Fi (ω)||2表示特征向量Fi (ω)的2范数,E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小,表明该目标特征的稳定性越好;
3)计算得到相关系数ri,j:
其中,i,j表示特征标号,||Fi||2表示特征Fi的2范数,和分别表示Fi和Fj的均值,σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知,0≤ri,j≤1;如果两个特征完全不相关,ri,j=0;如果两个特征完全相关,ri,j=1;如果两个特征之间的相关性很低,即特征之间的信息冗余非常少,那么ri,j就会越接近0;反之,如果两个特征之间的相关性很高,即特征之间的信息冗余非常多,那么ri,j就会越接近1;
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集,构造最优输入特征向量。
5.根据权利要求1所述智能SAR雷达海上舰船目标识别系统,其特征在于:所述分类器训练模块用以进行分类器训练,采用如下过程完成:
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本,i=1,2,…,N;
2)对训练样本进行归一化处理,得到归一化样本
3)将归一化后的训练样本重构,分别得到输入矩阵X和对应的输出矩阵Y:
其中,D表示重构维数,D为自然数,且D<N,D的取值范围为50-70;
4)将得到的X,Y代入如下线性方程:
其中表示权重对角矩阵,K=exp(-||xi-xj||/θ2)表示核函数,γ表示惩罚系数;权重因子vi由下式计算:
其中是误差变量ξi标准差的估计,c1,c2为常量;
求解得待估计函数f(x):
其中,M是支持向量的数目,1v=[1,…,1]′,上标’表示矩阵的转置,是拉格朗日乘子,b*是偏置量,K=exp(-||xi-xj||/θ2)是核函数,其中i=1,…,M,j=1,…,M,和exp(-||x-xi||/θ2)均为支持向量机的核函数,θ是核参数,x表示输入变量,γ是惩罚系数;
所述智能寻优模块用以采用遗传算法对分类器的核参数θ和惩罚因子γ进行优化,采用如下过程完成:
1)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条件为达到最大代数或者连续五次适应度不变。
所述结果显示模块用以进行识别结果的显示,即将输入SAR图像中舰船的类型显示在屏幕当中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457997.1A CN108490415A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达海上舰船目标识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457997.1A CN108490415A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达海上舰船目标识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108490415A true CN108490415A (zh) | 2018-09-04 |
Family
ID=63353787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810457997.1A Pending CN108490415A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达海上舰船目标识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490415A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560897A (zh) * | 2020-11-24 | 2021-03-26 | 西安电子科技大学 | 基于船长统计模型的雷达舰船分类能力评价方法 |
CN112906458A (zh) * | 2021-01-08 | 2021-06-04 | 浙江大学 | 群智能优化的水下激光多目标端到端自动识别系统 |
CN112907660A (zh) * | 2021-01-08 | 2021-06-04 | 浙江大学 | 面向小样本的水下激光目标检测仪 |
CN112926381A (zh) * | 2021-01-08 | 2021-06-08 | 浙江大学 | 一种基于激光检测技术的水下目标识别系统 |
CN114022775A (zh) * | 2021-09-14 | 2022-02-08 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
-
2018
- 2018-05-14 CN CN201810457997.1A patent/CN108490415A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
Non-Patent Citations (2)
Title |
---|
王建群 等: "《水资源系统优化方法》", 31 March 2016 * |
陈文婷: "SAR图像舰船目标特征提取与分类识别方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560897A (zh) * | 2020-11-24 | 2021-03-26 | 西安电子科技大学 | 基于船长统计模型的雷达舰船分类能力评价方法 |
CN112560897B (zh) * | 2020-11-24 | 2024-02-09 | 西安电子科技大学 | 基于船长统计模型的雷达舰船分类能力评价方法 |
CN112906458A (zh) * | 2021-01-08 | 2021-06-04 | 浙江大学 | 群智能优化的水下激光多目标端到端自动识别系统 |
CN112907660A (zh) * | 2021-01-08 | 2021-06-04 | 浙江大学 | 面向小样本的水下激光目标检测仪 |
CN112926381A (zh) * | 2021-01-08 | 2021-06-08 | 浙江大学 | 一种基于激光检测技术的水下目标识别系统 |
CN112926381B (zh) * | 2021-01-08 | 2022-06-21 | 浙江大学 | 一种基于激光检测技术的水下目标识别系统 |
CN112906458B (zh) * | 2021-01-08 | 2022-07-05 | 浙江大学 | 群智能优化的水下激光多目标端到端自动识别系统 |
CN114022775A (zh) * | 2021-09-14 | 2022-02-08 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
CN114022775B (zh) * | 2021-09-14 | 2024-04-30 | 南京智慧水运科技有限公司 | 一种基于雷达扫描变量的水上多目标视频影像坐标估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490415A (zh) | 一种智能sar雷达海上舰船目标识别系统 | |
Huang et al. | Faster R-CNN for marine organisms detection and recognition using data augmentation | |
Wang et al. | Action recognition from depth maps using deep convolutional neural networks | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN110472627A (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN108596156A (zh) | 一种智能sar雷达空中飞行目标识别系统 | |
Miao et al. | An improved lightweight RetinaNet for ship detection in SAR images | |
CN111046967A (zh) | 一种基于卷积神经网络和注意力机制的水下图像分类方法 | |
CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
Zhang et al. | A new benchmark and an attribute-guided multilevel feature representation network for fine-grained ship classification in optical remote sensing images | |
CN107256396A (zh) | 基于卷积神经网络的船目标isar图像特征学习方法 | |
WO2023050746A1 (zh) | 增强舰船目标检测sar图像数据的方法 | |
CN107316004A (zh) | 基于深度学习的空间目标识别方法 | |
CN108629382A (zh) | 一种群智优化sar雷达海上舰船目标识别系统 | |
CN110210422A (zh) | 一种基于光学图像辅助的舰船isar像识别方法 | |
Zhao et al. | CRAS-YOLO: A novel multi-category vessel detection and classification model based on YOLOv5s algorithm | |
CN112949380A (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
Sun et al. | Automated high-resolution earth observation image interpretation: Outcome of the 2020 Gaofen challenge | |
CN108765439A (zh) | 一种基于无人水面艇的海天线检测方法 | |
CN108596155A (zh) | 一种sar雷达空中飞行目标识别系统 | |
Yao et al. | Vision-based environment perception and autonomous obstacle avoidance for unmanned underwater vehicle | |
Dong et al. | ShipGAN: Generative Adversarial Network based simulation-to-real image translation for ships | |
CN113516232A (zh) | 一种基于自注意力机制的神经网络模型的训练方法 | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
CN108647653A (zh) | 一种智能sar雷达陆地坦克目标识别系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |