CN112699966A - 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 - Google Patents
基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 Download PDFInfo
- Publication number
- CN112699966A CN112699966A CN202110051026.9A CN202110051026A CN112699966A CN 112699966 A CN112699966 A CN 112699966A CN 202110051026 A CN202110051026 A CN 202110051026A CN 112699966 A CN112699966 A CN 112699966A
- Authority
- CN
- China
- Prior art keywords
- model
- layer
- training
- weight
- hrrp
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明针对小样本条件下雷达目标HRRP识别难题,提出了基于深度迁移学习的雷达HRRP小样本目标识别预训练及微调方法。首先,设计了合适小样本目标的预训练模型,提出了一种可提高预训练模型泛化性能的损失函数,并用源域数据对预训练模型进行从头训练。在预训练模型的基础上,重新设置全连接层和输出层结构并初始化,构成微调模型。在微调过程中,为解决目标域数据集样本较少且类别不均衡导致识别性能不理想的问题,提出了一种可减少类别间样本不均衡引起的识别偏差并提高特征可分性的损失函数。在小样本条件下,与从头训练的卷积神经网络模型相比,所提方法在提高识别正确率的同时,提高了收敛速度和模型的稳定性。
Description
技术领域
本发明属于雷达目标自动识别技术,针对少量标签样本条件下的雷达HRRP目标识别正确率较低的问题,提供了一种基于深度迁移学习的雷达HRRP小样本目标识别预训练及微调方法。
背景技术
对于合作目标来说,获得角域完备且数量充足的HRRP较为容易,但在实际应用中,尤其战时,电磁环境复杂,待识别目标多为非合作目标,机动性较强,且HRRP类别标签需要专业人员进行人工判读,因此获取足够数量的目标HRRP有标签样本难度较大。因此,在雷达目标识别领域,小样本条件下的雷达目标HRRP识别是亟需解决的难题之一。
目前已有的小样本识别方法存在以下缺点:1)模型需要角域完备的训练样本,而实际应用中,小样本条件很难保证训练样本覆盖目标全角域;2)低自由度的模型需要的训练样本较少,但识别正确率较低,高自由度的模型识别正确率高,但需要的训练样本较多,少量样本条件下的识别正确率有待于进一步提高。针对上述方法中存在的问题,考虑利用深度学习方法解决小样本条件下的雷达HRRP目标识别问题。
与浅层方法相比,深度网络可以更好的提取HRRP的高阶特征。目前基于深度网络的雷达HHRP小样本目标识别研究较少,目前方法多采用栈式自编码模型提取目标的深层特征,并通过共享HRRP全局特征以减少样本数量。与栈式自编码相比,卷积神经网络具有更好的目标识别性能,但直接利用小样本数据对模型进行从头训练,会导致过拟合现象产生。针对这一问题,本文提出了一种基于深度迁移学习的雷达HRRP小样本目标识别预训练及微调方法。
发明内容
本发明的目的在于,针对小样本条件下HRRP的识别率低的问题,提供了一种基于深度迁移学习的雷达HRRP小样本目标识别预训练及微调方法,所提方法在提高识别正确率的同时,提高了收敛速度和模型的稳定性。
本发明的技术解决方案为:利用源域数据集对预训练模型进行从头训练;利用目标域数据对预训练模型进行微调。为实现上述目的,本发明实现步骤如下:
预训练过程:
输入:N类目标HRRP仿真数据集
输出:预训练模型卷积层结构与权重
步骤1:按照图2中模型A构建预训练模型,初始化模型权值,卷积层的权值θc={kc,bc},全连接层的权值参数W,θc和W均服从均值为0,方差为的正态分布,其中ni和no分别为相应层的输入向量和输出向量的维度。
步骤2:前向传播,根据公式计算每个迭代过程中小批量样本(min-batch)的损失函数。
步骤3:反向传播,利用链式法则计算梯度,并利用随机梯度下降法进行参数更新。
步骤4:重复步骤2、3,直到损失函数收敛且不再下降,结束训练过程,保存模型结构与权重。
微调过程:
输入:M类目标HRRP实测数据集
输出:用于小样本识别的微调模型
步骤6:前向传播,根据公式计算每个迭代过程中小批量样本的损失函数。
步骤7:反向传播,利用链式法则计算梯度,首先将所有卷积层的学习率设置为0,仅更新全连接层和输出层权值,再由卷积层C4-C1,依次将其学习率设置为非零值,逐层更新权值。
步骤8:重复步骤6、7,直到损失函数收敛且不再下降,结束训练过程,保存模型结构与权重。
本发明相比现有技术具有如下技术效果:
(1)所提模型为数据驱动的端对端模型,训练过后的模型可自动提取目标的深层特征。
(2)所提方法根据目标域小样本的特点,设计了合适的预训练模型,提出了一种可提高预训练模型泛化性能的损失函数。
(3)在微调过程中,为解决目标域数据集样本较少且类别不均衡导致识别性能不理想的问题,提出了一种可减少类别间样本不均衡引起的识别偏差并提高特征可分性的损失函数。
附图说明
图1:迁移学习流程图;
图2:预训练模型(模型A)结构图;
图3:微调模型(模型B)结构图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明所构建的模型说明如下:
从头训练的深度卷积神经网络需要大量的有标签训练样本,训练样本过少会导致模型产生过拟合现象,迁移学习是一种解决小样本问题的有效方法。迁移学习,是指利用数据、任务或模型之间的相似性,将在旧领域学习过的模型,应用于新领域的一种学习过程。迁移学习包含两个基本概念,分别为域和任务。域分为源域DS和目标域DT。在目标识别任务中,源域为与目标无关的数据集,数据量较为充足,目标域为与目标相关的数据集,数据量较少,不足以对模型进行从头训练。域D包含两个内容:X和P(X),其中,X为特征空间,包含数据集及其对应的特征总和,P(X)为特征空间对应的概率,可以理解为特征的分布。任务即为模型实现的功能,任务分为源域任务和目标域任务。任务T同样包含两部分:Y和f(x),其中,Y表示标签空间,f(x)表示预测函数,由特征空间X和标签空间Y学习得到。通常,源域与目标域不同,源域任务和目标域任务可相同可不同。
本发明使用的源域为N类目标HRRP仿真数据集,目标域为M类目标HRRP实测数据集。因此源域(源任务)和目标域(目标任务)均不相同。迁移学习的流程如图1所示,首先,根据目标域特点和源域任务设计预训练模型,并利用源域对预训练模型进行训练,其次,根据目标域任务,以预训练模型为基础设计微调模型,并利用目标域对微调模型进行训练即可得到所需模型。
下面将从两个方面对所提方法进行详细的介绍与分析:1、模型预训练过程,2、模型微调过程。
1模型预训练过程
(1)预训练模型
从头训练深度卷积神经网络需要大量训练数据,训练数据过少会导致过拟合现象产生,模型泛化性能较差。模型深度对识别正确率影响较大,深度卷积神经网络的浅层特征为低阶的结构特征,深层特征为高阶语义特征,必须保证一定的深度才能取得较好的识别效果,本发明所提方法针对小样本识别问题,预训练模型层数不宜过多,所提方法使用的预训练模型(简称为模型A)结构如图2所示。
模型A包含四个卷积层,四个池化层,一个全连接层,一个输出层。前三个卷积层的卷积核大小为3×1,个数分别为16、32、32,第四个卷积层的卷积核大小为1×1,个数为64,池化层的步长均为2,池化类型为最大池化,全连接层和输出层的神经元个数分别为50和N。
(2)损失函数
HRRP具有姿态角敏感性,同一目标不同姿态角的HRRP相差较大,部分姿态角对应的HRRP样本包含的散射点信息较多,易于识别,部分姿态角对应的HRRP样本包含的散射点信息较少,识别难度较大,但所有姿态角的HRRP样本对于目标识别来说同等重要,决定了模型的泛化性能,在高泛化性能的预训练模型基础上进行微调,可以大大提高小样本条件下的目标识别正确率。为了保证预训练模型可以很好的提取HRRP完备姿态角不变特征,需提高识别难度较大的HRRP样本所对应类别的输出概率,交叉熵损失函数难以满足此需求。针对上述问题,本发明所提方法提出了一种模糊截断交叉熵损失函数Lp,该损失函数分为两个部分。第一部分为模糊交叉熵损失函数,主要解决模型分类结果过分自信的问题,通过对输出结果进行模糊化,缩小各神经元输出的差距,使得每个神经元的输出结果在传播过程中都发挥作用,避免模型过度自信的现象产生。第二部分为截断交叉熵损失函数,该函数主要解决部分HRRP对应类别输出概率较低的问题,利用截断函数,仅对满足条件的输出结果进行反向传播,通过增加这部分HRRP的权重,使模型更好的提取易混淆目标的特征。损失函数Lp表达式如下:
Lp=Lb+αLt (1)
其中,Lb表示模糊交叉熵函数,Lt表示截断交叉熵损失函数,α为Lt的权重,yi=(yi1,yi2,...,yic)表示类别标签,表示输出层的输出结果,为截断函数,m表示截断阈值,θ(x)为单元阶跃函数,Lt仅在输出结果满足时,才能参与反向传播。
2模型微调过程
(1)微调模型
由于所用源域和目标域的维度不同,且卷积层和池化层对输入维度没有要求,故用于小样本目标识别的微调模型(简称为模型B)与模型A仅卷积层和池化层结构相同,全连接层和输出层均需重新设置。模型B的卷积层和池化层的权值初始值即为模型A训练后得到的权值,全连接层和输出层权值初始值服从正态分布,其中ni和no分别为输入向量和输出向量的维度。模型B结构如图3所示。
模型B包含四个卷积层,四个池化层,一个全连接层和一个输出层,因为全连接层和输出层的参数需要从头训练,为防止参数过多导致过拟合现象的产生,全连接层的神经元个数设为10,输出层的神经元个数与目标域类别数相同,即为M。模型初始化完成后,利用目标域数据对模型进行逐层微调。
在模型B中,卷积层C1~C4,全连接层和输出层的参数可通过反向传播进行更新,其对应学习率分别为μc1~μc4、μfc和μo。在微调过程中,通过将学习率置零,可将相应层冻结,其权值不参与权值更新,由于全连接层和输出层的权值为经过预训练,因此设置学习率μfc和μo始终大于0。由于浅层卷积层提取的多为通用特征,适用于大多数任务,而深层卷积层提取的语义特征,主要针对某一具体任务。因此,微调主要指从后往前逐层对卷积层的预训练权值进行更新的过程。对模型B微调的具体方法为,首先,将μc1~μc4全部置零,仅更新全连接层和输出层权值,全连接层和输出层可以看成是非线性分类器。将卷积层C4的学习率μc4设置为非零值(又称作释放卷积层),继续训练网络,更新该层网络,依次将卷积层C3-C1的学习率μc3~μc1设置为非零值,逐层更新权值。由于相邻层之间的特征存在耦合关系,单独训练某一层容易导致特征断层,为了更有效的对预训练模型进行微调,在上述过程中,每10个迭代周期释放一个卷积层,直至待训练卷积层全部释放完毕。
(2)损失函数
小样本条件下,类别之间往往存在样本个数不均衡的情况,在反向传播过程中,样本较多的类别占损失函数的比重较高,容易引导模型向利于输出该类别分类结果的方向优化。为解决这一问题,本发明在交叉熵函数的基础上,提出了一种多类平衡损失函数LMB,通过减少易分类别在损失函数中的权重来平衡各类别在损失函数中的占比。LMB表达式如下:
Claims (5)
5.如权利要求3所述的基于深度迁移学习的雷达HRRP小样本目标识别微调方法,其特征在于,步骤7中逐层更新权值的方法具体为:
利用链式法则计算梯度,首先将所有卷积层的学习率设置为0,仅更新全连接层和输出层权值,再由卷积层由深至浅,依次将其学习率设置为非零值,逐层更新权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110051026.9A CN112699966B (zh) | 2021-01-14 | 2021-01-14 | 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110051026.9A CN112699966B (zh) | 2021-01-14 | 2021-01-14 | 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699966A true CN112699966A (zh) | 2021-04-23 |
CN112699966B CN112699966B (zh) | 2022-10-11 |
Family
ID=75515135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110051026.9A Active CN112699966B (zh) | 2021-01-14 | 2021-01-14 | 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699966B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN113361645A (zh) * | 2021-07-03 | 2021-09-07 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113468869A (zh) * | 2021-07-12 | 2021-10-01 | 北京有竹居网络技术有限公司 | 一种语义分析模型生成方法、语义分析方法、装置及设备 |
CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
CN113687325A (zh) * | 2021-07-08 | 2021-11-23 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
CN114024810A (zh) * | 2021-11-03 | 2022-02-08 | 南京信息工程大学 | 一种多芯光纤信道调制格式识别方法及其装置 |
CN114385805A (zh) * | 2021-12-15 | 2022-04-22 | 北京理工大学 | 一种提高深度文本匹配模型适应性的小样本学习方法 |
CN115831260A (zh) * | 2023-02-16 | 2023-03-21 | 天津大学 | 一种小样本分子毒性预测方法 |
CN116363498A (zh) * | 2022-05-12 | 2023-06-30 | 河海大学 | 基于深度迁移学习的黄土高原梯田自动识别方法 |
CN116908808A (zh) * | 2023-09-13 | 2023-10-20 | 南京国睿防务系统有限公司 | 一种基于rtn的高分辨一维像目标识别方法 |
CN117173476A (zh) * | 2023-09-05 | 2023-12-05 | 北京交通大学 | 一种单源域泛化行人再识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
CN111680160A (zh) * | 2020-06-16 | 2020-09-18 | 西北师范大学 | 一种用于文本情感分类的深度迁移学习方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111967480A (zh) * | 2020-09-07 | 2020-11-20 | 上海海事大学 | 基于权重共享的多尺度自注意力目标检测方法 |
CN112966667A (zh) * | 2021-04-06 | 2021-06-15 | 中国人民解放军海军航空大学 | 海面目标一维距离像降噪卷积神经网络识别方法 |
-
2021
- 2021-01-14 CN CN202110051026.9A patent/CN112699966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
CN111680160A (zh) * | 2020-06-16 | 2020-09-18 | 西北师范大学 | 一种用于文本情感分类的深度迁移学习方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
CN111967480A (zh) * | 2020-09-07 | 2020-11-20 | 上海海事大学 | 基于权重共享的多尺度自注意力目标检测方法 |
CN112966667A (zh) * | 2021-04-06 | 2021-06-15 | 中国人民解放军海军航空大学 | 海面目标一维距离像降噪卷积神经网络识别方法 |
Non-Patent Citations (3)
Title |
---|
JASON YOSINSKI ET AL.: "How transferable are features in deep neural networks?", 《ARXIV》 * |
WEI ZHANG ET AL.: "Semi-Supervised Deep Transfer Learning-Based on Adversarial Feature Learning for Label Limited SAR Target Recognition", 《IEEE》 * |
李朝奎 等: "一种针对小样本的高分辨率遥感影像道路提取方法", 《测绘科学》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268B (zh) * | 2018-08-16 | 2021-10-29 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN113361645A (zh) * | 2021-07-03 | 2021-09-07 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113361645B (zh) * | 2021-07-03 | 2024-01-23 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113687325A (zh) * | 2021-07-08 | 2021-11-23 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
CN113687325B (zh) * | 2021-07-08 | 2024-02-06 | 西安电子科技大学 | 基于lp和hrrp模型的遮蔽小目标检测方法 |
CN113468869A (zh) * | 2021-07-12 | 2021-10-01 | 北京有竹居网络技术有限公司 | 一种语义分析模型生成方法、语义分析方法、装置及设备 |
CN113537244A (zh) * | 2021-07-23 | 2021-10-22 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
CN113537244B (zh) * | 2021-07-23 | 2024-03-15 | 深圳职业技术学院 | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 |
CN114024810A (zh) * | 2021-11-03 | 2022-02-08 | 南京信息工程大学 | 一种多芯光纤信道调制格式识别方法及其装置 |
CN114024810B (zh) * | 2021-11-03 | 2023-05-23 | 南京信息工程大学 | 一种多芯光纤信道调制格式识别方法及其装置 |
CN114385805A (zh) * | 2021-12-15 | 2022-04-22 | 北京理工大学 | 一种提高深度文本匹配模型适应性的小样本学习方法 |
CN114385805B (zh) * | 2021-12-15 | 2024-05-10 | 北京理工大学 | 一种提高深度文本匹配模型适应性的小样本学习方法 |
CN116363498A (zh) * | 2022-05-12 | 2023-06-30 | 河海大学 | 基于深度迁移学习的黄土高原梯田自动识别方法 |
CN115831260A (zh) * | 2023-02-16 | 2023-03-21 | 天津大学 | 一种小样本分子毒性预测方法 |
CN115831260B (zh) * | 2023-02-16 | 2023-05-12 | 天津大学 | 一种小样本分子毒性预测方法 |
CN117173476A (zh) * | 2023-09-05 | 2023-12-05 | 北京交通大学 | 一种单源域泛化行人再识别方法 |
CN117173476B (zh) * | 2023-09-05 | 2024-05-24 | 北京交通大学 | 一种单源域泛化行人再识别方法 |
CN116908808B (zh) * | 2023-09-13 | 2023-12-01 | 南京国睿防务系统有限公司 | 一种基于rtn的高分辨一维像目标识别方法 |
CN116908808A (zh) * | 2023-09-13 | 2023-10-20 | 南京国睿防务系统有限公司 | 一种基于rtn的高分辨一维像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112699966B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699966B (zh) | 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法 | |
US10762426B2 (en) | Multi-iteration compression for deep neural networks | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN110750665A (zh) | 基于熵最小化的开集域适应方法及系统 | |
CN109102126A (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
WO2020095321A2 (en) | Dynamic structure neural machine for solving prediction problems with uses in machine learning | |
WO2021089012A1 (zh) | 图网络模型的节点分类方法、装置及终端设备 | |
US20150161232A1 (en) | Noise-enhanced clustering and competitive learning | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN110119805B (zh) | 基于回声状态网络分类的卷积神经网络算法 | |
CN111460157A (zh) | 用于多领域文本分类的循环卷积多任务学习方法 | |
Sadr et al. | Convolutional neural network equipped with attention mechanism and transfer learning for enhancing performance of sentiment analysis | |
Chen et al. | Application of improved convolutional neural network in image classification | |
CN110298434A (zh) | 一种基于模糊划分和模糊加权的集成深度信念网络 | |
CN109284662B (zh) | 一种基于迁移学习的水下声音信号分类方法 | |
Askari | A novel and fast MIMO fuzzy inference system based on a class of fuzzy clustering algorithms with interpretability and complexity analysis | |
CN109670927A (zh) | 信用额度的调整方法及其装置、设备、存储介质 | |
CN112766308A (zh) | 一种远洋船舶分类方法 | |
Joshi et al. | MATLAB based back-propagation neural network for automatic speech recognition | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN111144500A (zh) | 基于解析高斯机制的差分隐私深度学习分类方法 | |
CN113239809A (zh) | 基于多尺度稀疏sru分类模型的水声目标识别方法 | |
Urgun et al. | Composite power system reliability evaluation using importance sampling and convolutional neural networks | |
CN110598737B (zh) | 一种深度学习模型的在线学习方法、装置、设备及介质 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 |
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 |