CN109946667B - 基于卷积神经网络的识别变体飞机高分辨距离像方法 - Google Patents
基于卷积神经网络的识别变体飞机高分辨距离像方法 Download PDFInfo
- Publication number
- CN109946667B CN109946667B CN201910201317.4A CN201910201317A CN109946667B CN 109946667 B CN109946667 B CN 109946667B CN 201910201317 A CN201910201317 A CN 201910201317A CN 109946667 B CN109946667 B CN 109946667B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- layer
- resolution range
- sample set
- 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
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于卷积神经网络的识别变体飞机高分辨距离像方法。其步骤为:(1)构建卷积神经网络;(2)生成高分辨距离像样本集;(3)对每个样本的幅度进行归一化处理;(4)训练卷积神经网络;(5)目标识别;本发明通过构建并训练卷积神经网络,利用训练好的卷积神经网络对变体飞机和非变体飞机的高分辨距离像的共性特征进行学习,并根据学习到的共性特征实现对变体飞机的高分辨距离像的稳健识别,能够有效地解决变体飞机与相对应的非变体飞机的高分辨距离像存在差异导致的对变体飞机正确识别率下降的问题,本发明具有显著降低变体部分对变体飞机的识别带来的影响,有效提高了对变体飞机的识别性能的优点。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及目标识别技术领域中的一种基于卷积神经网络的识别变体飞机高分辨距离像方法。本发明采用卷积神经网络实现对变体飞机的高分辨距离像的自动识别。
背景技术
雷达高分辨距离像是一维图像,是宽带雷达获取的目标散射中心距离像在雷达视线上投影的矢量和。高分辨距离像不仅包含了目标的尺寸和散射中心等结构信息,还具有容易获取以及处理简单的优点,因此在雷达目标识别领域受到了广泛关注。
飞机的外形并不是一直不变的,例如由于作战环境的不同,飞机的外形会发生不同的变化,副油箱的挂载以及武器的挂载都会使得飞机外形发生变化,相应地会引起雷达高分辨距离像的变化,人们将这类发生形变的飞机称为变体飞机。变体飞机外形结构的变化使得其高分辨距离像随之改变,因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配,最终导致对变体飞机高分辨距离像的识别性能严重下降,甚至失去识别能力。
目前现有的关于变体飞机的识别方法是先去除变体飞机高分辨距离像中的变体飞机部分,即先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像,再利用传统的目标识别方法进行识别,识别率的高低取决于变体部分的去除效果。
西安电子科技大学在其申请的专利文献“基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法”(专利申请号:201810978483.0,申请公布号:CN 109190693 A)中提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法。该方法首先建立变体目标高分辨距离像的数学模型,定义变体目标数学模型中各个变量的先验概率和其先验概率参数的先验分布,然后通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分,再从变体目标高分辨距离像中去除变体成分,最后用自适应高斯分类器对恢复出的去除变体成分后的高分辨距离像进行识别。该方法存在的不足之处是,对于稀疏度较小的高分辨距离像难以有效消除变体部分的影响,此时识别率相对较低。
朱文强在其发表的论文“基于结构稀疏先验的变体目标识别方法研究”(西安电子科技大学2017-06-01)中提出了一种基于结构稀疏先验的变体目标识别方法,该方法利用变体分量具有块稀疏的特点,对变体分量单独建模,并分离出变体分量,获取原始目标未形变的高分辨距离像。在此基础上进行识别,改善了对变体目标的识别性能。该方法存在的不足之处是,采用了较为简单的自适应高斯分类器,因此识别率相对较低。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出了一种基于卷积神经网络的识别变体飞机高分辨距离像方法。
实现本发明目的的思路是,构建并训练卷积神经网络,利用训练好的卷积神经网络对变体飞机的高分辨距离像与非变体飞机的高分辨距离像之间的共性特征进行学习,再根据学习到的共性特征对变体飞机的高分辨距离像进行识别。
本发明实现的具体步骤包括如下:
(1)构建卷积神经网络:
(1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络;
(1b)设置卷积神经网络的参数如下:
将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化,每个卷积层中卷积核的个数依次设置为32,16,16,8,将全连接层的输出节点数设置为M,M为样本集中飞机目标的类别总数;
(2)生成高分辨距离像样本集:
(2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签,组成该类别飞机的非变体样本集,将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签,组成该类别飞机的变体样本集;
(2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集,组成测试样本集;
(2c)将剩余的变体样本集和所有非变体样本集组成训练样本集;
(3)对每个样本的幅度进行归一化处理:
(3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的测试样本集;
(3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的训练样本集;
(4)训练卷积神经网络:
(4a)将归一化后的训练样本集输入到卷积神经网络中,无监督的预训练卷积神经网络,得到预训练后的卷积神经网络;
(4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差,从卷积神经网络的顶层向下传播该误差,微调整个卷积神经网络的参数,直到迭代200次为止,得到训练好的卷积神经网络;
(5)目标识别:
将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别,得到测试样本集中形变目标高分辨距离像的分类标签,完成目标识别。
本发明与现有技术相比具有以下优点:
第一,由于本发明通过构建并训练卷积神经网络,利用训练好的卷积神经网络,学习变体飞机的高分辨距离像与对应的非变体飞机的高分辨距离像的共性特征,克服了现有技术由于变体飞机外形结构的变化,使得其高分辨距离像随之改变,因而将与库内同类型的非变体飞机的高分辨距离像之间存在失配,最终会导致对变体飞机高分辨距离像的识别性能严重下降的问题,使得本发明提高了对变体飞机的高分辨距离像的正确识别率。
第二,由于本发明将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别,得到测试样本集中变体飞机的高分辨距离像的分类标签,克服了现有技术由于先将变体飞机高分辨距离像恢复成非变体飞机高分辨距离像,再利用传统的目标识别方法进行识别,识别率的高低取决于变体部分的去除效果的问题,使得本发明能够不需要去除变体部分,直接对变体飞机的高分辨距离像进行识别,降低了对变体飞机的高分辨距离像识别的复杂度。
第三,由于本发明将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别,克服了现有技术采用了较为简单的自适应高斯分类器,因此识别率相对较低的问题,使得本发明提高了对变体飞机高分辨距离像的正确识别率。
附图说明
图1是本发明的流程图;
图2是本发明生成高分辨距离像样本集步骤中,非变体飞机与其对应的变体飞机的高分辨距离像图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明实现的具体步骤做进一步的描述。
步骤1,构建卷积神经网络。
搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络。
设置卷积神经网络的参数如下。
将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化,每个卷积层中卷积核的个数依次设置为32,16,16,8,将全连接层的输出节点数设置为M,M为样本集中飞机目标的类别总数。
步骤2,生成高分辨距离像样本集。
将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签,组成该类别飞机的非变体样本集,将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签,组成该类别飞机的变体样本集。
从每个类别飞机的变体样本集中随机选取一半的变体样本集,组成测试样本集。
将剩余的变体样本集和所有非变体样本集组成训练样本集。
参照图2,对非变体样本集和变体样本集中的高分辨距离像做进一步的描述。
图2(a)是从非变体样本集中随机选取的一幅非变体飞机的高分辨距离像图,横坐标为距离单元,纵坐标为高分辨距离像的幅度,雷达接收到的高分辨距离像中的支撑区,是基于高分辨距离像的目标识别方法的主要依据。图2(b)为变体样本集中与图2(a)对应的变体飞机的高分辨距离像图,横坐标为距离单元,纵坐标为高分辨距离像的幅度。图2(b)中的高分辨距离像图的支撑区与图2(a)相比发生了很大的变化,对比图2(a)和图2(b)可以看出,变体飞机的高分辨距离像相对于非变体飞机的高分辨距离像产生了明显的形变,存在严重的失配情况。
步骤3,对每个样本的幅度进行归一化处理。
用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的测试样本集。
用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的训练样本集。
步骤4,训练卷积神经网络。
将归一化后的训练样本集输入到卷积神经网络中,无监督的预训练卷积神经网络,得到预训练后的卷积神经网络。
所述的无监督的预训练卷积神经网络的步骤如下。
第1步,将归一化后的训练样本集输入到第一个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第一个基本层的输出数据。
第2步,将第一个基本层的输出数据输入到第二个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第二个基本层的输出数据。
第3步,将第二个基本层的输出数据输入到第三个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第三个基本层的输出数据。
第4步,将第三个基本层的输出数据输入到第四个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第四个基本层的输出数据。
第5步,将第四个基本层的输出数据输入到全连接层中,通过softmax分类器进行分类,获得分类标签。
利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差,从卷积神经网络的顶层向下传播该误差,微调整个卷积神经网络的参数,直到迭代200次为止,得到训练好的卷积神经网络。
所述的交叉熵公式如下。
其中,H(p,q)为全连接层的输出数据与类别标签之间的交叉熵,p表示类别标签,q表示全连接层的输出数据,N表示飞机的类别总数,p(x)表示类别标签的第x个元素,q(x)表示全连接层的输出数据中的第x个元素。
步骤5,目标识别。
将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别,得到测试样本集中形变目标高分辨距离像的分类标签,完成目标识别。
下面结合仿真实验对本发明的效果做进一步的描述。
1、仿真实验条件:
本发明的仿真实验采用三类飞机目标的高分辨回波来检测本发明的方法。其中录取三类飞机目标高分辨距离像的雷达的具体参数为:中心频率5520MHz,带宽400MHz。三类飞机目标的参数如表1所示:
表1三类飞机目标的参数
飞机 | 长度(m) | 宽度(m) | 高度(m) |
雅克-42 | 36.38 | 34.88 | 9.83 |
安-26 | 23.80 | 29.20 | 8.58 |
奖状 | 14.40 | 15.90 | 4.91 |
其中,“雅克-42”飞机目标包含七段高分辨回波数据,“安-26”飞机目标包含七段高分辨回波数据,“奖状”飞机目标包含五段高分辨回波数据。所有高分辨距离像均为128维。本实验选取“雅克-42”飞机目标的第二段和第五段高分辨距离像数据、“奖状”飞机目标的第六段和第七段高分辨距离像数据以及“安-26”飞机目标的第五段和第六段高分辨距离像数据作为非变体样本集,将上述非变体样本集中的高分辨距离像数据人为的加入变体分量后作为变体样本集,然后为非变体样本集和变体样本集中所有的高分辨距离像数据分别加上类别标签作为训练样本集,将其余数据段的高分辨距离像数据人为的加入变体分量后分别加上类别标签作为测试样本集,训练样本集包含156000个训练样本,测试样本集包含78000个测试样本,其中训练样本集中每类飞机包含26000个非变体飞机的高分辨距离像和26000个变体飞机的高分辨距离像,测试样本集中每类飞机包含26000个变体飞机的高分辨距离像。
本发明的仿真实验的硬件测试平台为:Intel Core i7CPU,主频3.4GHz,内存16GB,软件平台为:Windows 7操作系统和Spyder(python3.6)。
2.实验内容及结果分析
本发明的仿真实验分别用现有技术中对高分辨距离像进行识别的自适应高斯分类器和本发明的方法对测试样本集进行识别。
使用自适应高斯分类器对测试样本集进行识别,对训练样本集中156000个高分辨距离像进行方位角分帧,再计算每帧内的平均像和方差像,并储存各帧内的平均像和方差像作为每帧的模板,然后求出测试样本和每帧模板的马氏距离,最后将测试样本判定为马氏距离最小的模板对应的类别。其识别结果如表2所示:
表2自适应高斯分类器的识别结果
使用本发明的方法对测试样本集进行识别,首先用训练样本集对卷积神经网络进行训练,然后将测试样本集输入到训练好的卷积神经网络中,得到测试样本集的识别结果,如表3所示:
表3本发明方法的识别结果
使用自适应高斯分类器对测试样本集进行识别的平均正确识别率为71.28%,本发明的方法对测试样本集进行识别的平均正确识别率为90.38%,相比于使用自适应高斯分类器对测试样本集进行识别的平均正确识别率提升了19.10%。
综上所述,由本发明的仿真实验结果证明本发明的方法显著降低了变体部分对变体飞机的高分辨距离像的识别带来的影响,有效地提高了对变体飞机的高分辨距离像的平均正确识别率,实验验证了本发明的方法的有效性。
Claims (3)
1.一种基于卷积神经网络的识别变体飞机高分辨距离像方法,其特征在于,构建并训练卷积神经网络,利用训练好的卷积神经网络对变体飞机的高分辨距离像和非变体飞机的高分辨距离像的共性特征进行学习,该方法步骤包括如下:
(1)构建卷积神经网络:
(1a)搭建一个由卷积层和池化层交替连接组成四个基本层后再与一层全连接层相连的九层卷积神经网络;
(1b)设置卷积神经网络的参数如下:
将四个基本层中每个卷积层的卷积核大小均设置为5、激活函数均设置为ReLU函数、池化层均设置为最大值池化,每个卷积层中卷积核的个数依次设置为32,16,16,8,将全连接层的输出节点数设置为M,M为样本集中飞机目标的类别总数;
(2)生成高分辨距离像样本集:
(2a)将雷达接收到的每个类别飞机目标发生形变前的高分辨距离像数据与其对应的类别标签,组成该类别飞机的非变体样本集,将雷达接收到的各个类别飞机目标发生形变后的高分辨距离像数据与其对应的类别标签,组成该类别飞机的变体样本集;
(2b)从每个类别飞机的变体样本集中随机选取一半的变体样本集,组成测试样本集;
(2c)将剩余的变体样本集和所有非变体样本集组成训练样本集;
(3)对每个样本的幅度进行归一化处理:
(3a)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的测试样本集;
(3b)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模一范数,得到归一化后的训练样本集;
(4)训练卷积神经网络:
(4a)将归一化后的训练样本集输入到卷积神经网络中,无监督的预训练卷积神经网络,得到预训练后的卷积神经网络;
(4b)利用交叉熵公式计算预训练后的卷积神经网络中的全连接层的输出数据与类别标签之间的误差,从卷积神经网络的顶层向下传播该误差,微调整个卷积神经网络的参数,直到迭代200次为止,得到训练好的卷积神经网络;
(5)目标识别:
将归一化后的测试样本集中的所有样本输入到训练好的卷积神经网络中进行识别,得到测试样本集中形变目标高分辨距离像的分类标签,完成目标识别。
2.根据权利要求1所述的基于卷积神经网络的识别变体飞机高分辨距离像方法,其特征在于,步骤(4a)中所述的无监督的预训练卷积神经网络的步骤如下:
第一步,将归一化后的训练样本集输入到第一个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第一个基本层的输出数据;
第二步,将第一个基本层的输出数据输入到第二个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第二个基本层的输出数据;
第三步,将第二个基本层的输出数据输入到第三个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第三个基本层的输出数据;
第四步,将第三个基本层的输出数据输入到第四个基本层中,利用卷积层中卷积核对输入数据进行卷积操作得到卷积后的数据,再通过池化层的最大值池化操作对卷积后的数据进行下采样,得到第四个基本层的输出数据;
第五步,将第四个基本层的输出数据输入到全连接层中,通过softmax分类器进行分类,获得分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201317.4A CN109946667B (zh) | 2019-03-18 | 2019-03-18 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201317.4A CN109946667B (zh) | 2019-03-18 | 2019-03-18 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946667A CN109946667A (zh) | 2019-06-28 |
CN109946667B true CN109946667B (zh) | 2022-12-02 |
Family
ID=67010058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910201317.4A Active CN109946667B (zh) | 2019-03-18 | 2019-03-18 | 基于卷积神经网络的识别变体飞机高分辨距离像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946667B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
CN107728143A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2898674B1 (fr) * | 2006-03-14 | 2008-07-11 | Airbus France Sas | Procede et dispositif pour determiner la trajectoire laterale d'un mobile, en particulier d'un aeronef. |
CN103293520B (zh) * | 2013-05-13 | 2015-05-27 | 西安电子科技大学 | 基于等效距离方程的sar地面运动目标成像方法 |
US10096154B2 (en) * | 2016-04-04 | 2018-10-09 | University Of Cincinnati | Localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high resolution topographical data |
US10878708B2 (en) * | 2017-03-03 | 2020-12-29 | Farrokh Mohamadi | Drone terrain surveillance with camera and radar sensor fusion for collision avoidance |
CN109143237B (zh) * | 2018-08-31 | 2020-10-09 | 电子科技大学 | 适用于任意平台轨迹的双基聚束sar的pfa波前弯曲校正方法 |
-
2019
- 2019-03-18 CN CN201910201317.4A patent/CN109946667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
CN107728143A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
SAR变体目标识别的卷积神经网络法;冯秋晨等;《中国图象图形学报》;20180902;第24卷(第2期);第258—268页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109946667A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
US10976429B1 (en) | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks | |
CN107977683B (zh) | 基于卷积特征提取和机器学习的联合sar目标识别方法 | |
CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN107766893B (zh) | 基于标签多级编码神经网络的目标识别方法 | |
CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN110109110B (zh) | 基于先验最优变分自编码机的hrrp目标识别方法 | |
CN111273288B (zh) | 一种基于长短期记忆网络的雷达未知目标识别方法 | |
CN111352086A (zh) | 一种基于深度卷积神经网络的未知目标识别方法 | |
Xiao et al. | Specific emitter identification of radar based on one dimensional convolution neural network | |
CN111190158A (zh) | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
CN109190693B (zh) | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 | |
CN113239959B (zh) | 基于解耦表征变分自编码机的雷达hrrp目标识别方法 | |
CN111914922B (zh) | 一种基于局部卷积和空洞卷积的高光谱图像分类方法 | |
CN109946667B (zh) | 基于卷积神经网络的识别变体飞机高分辨距离像方法 | |
CN113240081B (zh) | 针对雷达载频变换的高分辨距离像目标稳健识别方法 | |
CN109978164B (zh) | 基于深度置信网络识别变体飞机的高分辨距离像的方法 | |
CN109946669B (zh) | 基于深度置信网络的变体飞机高分辨距离像恢复方法 |
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 |