CN114966587A - 基于卷积神经网络融合特征的雷达目标识别方法及系统 - Google Patents

基于卷积神经网络融合特征的雷达目标识别方法及系统 Download PDF

Info

Publication number
CN114966587A
CN114966587A CN202210408941.3A CN202210408941A CN114966587A CN 114966587 A CN114966587 A CN 114966587A CN 202210408941 A CN202210408941 A CN 202210408941A CN 114966587 A CN114966587 A CN 114966587A
Authority
CN
China
Prior art keywords
spectrum distribution
time
frequency spectrum
doppler
neural network
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
Application number
CN202210408941.3A
Other languages
English (en)
Inventor
王才
汤涛
高梅国
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210408941.3A priority Critical patent/CN114966587A/zh
Publication of CN114966587A publication Critical patent/CN114966587A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G01S7/417—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 involving the use of neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了基于卷积神经网络融合特征的雷达目标识别方法及系统，采用神经网络同时提取多普勒谱分布和时频谱分布的微多普勒特征，并利用特征构造融合特征，实现高性能的雷达目标识别。本发明采用深度卷积神经网络模型，分别提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征矢量，利用融合特征矢量实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率，得到特征对应的目标识别类型。

Description

基于卷积神经网络融合特征的雷达目标识别方法及系统
技术领域
本发明涉及雷达目标识别技术领域，具体涉及基于卷积神经网络融合特征的雷达目标识别方法及系统。
背景技术
随着现代雷达技术的发展，现代雷达不仅能够进行目标检测和定位，而且具有对目标的属性或类型进行分类识别的能力。为了获得更多的目标信息，雷达目标识别技术成为现代雷达技术应用发展的重要技术之一。
其中，低分辨雷达目标识别是雷达目标识别的一个重要研究方向，具有广泛的应用需求。由于低分辨雷达设备造价相对较低，为了控制成本，民用雷达一般采用低分辨体制，尤其是目前备受关注且具有广阔应用前景的“低慢小”目标探测雷达，为了及时地辨别威胁目标(例如无人机)从而实施有效的应对措施，民用雷达对目标识别功能具有较高要求。
随着微动和微多普勒效应的概念引入雷达信号处理领域，微多普勒效应为雷达目标识别提供了新的技术手段。由于目标的微动调制，微多普勒特征蕴含了目标结构及其运动状态的信息，因此可以基于此特性展开低分辨雷达目标识别方法研究。近年来，深度学习技术蓬勃发展，该技术通过多层神经元结构的传递和非线性变换，能够对复杂的数据分布进行有效地表征。鉴于其对输入数据的信息具有强大的表征能力，深度学习在多个领域都有成功的应用。在目标识别方向，传统的雷达目标识别技术需要进行特征设计和特征提取操作，然后再将特征量输入分类器进行目标识别，其识别率相对较低且泛化性能不足；与传统机器学习方法相比，深度学习技术不用依赖手动设计特征以及繁琐的特征提取过程，通过搭建多层网络，自发地提取输入数据的信息并进行深层表征，能够大大提高目标识别准确度和泛化性能。
卷积神经网络(CNN)是深度学习技术的重要模型，在分类任务中具有优越的性能。卷积神经网络通过卷积和池化处理提取具有旋转、平移不变性的深层局部特征，而且可通过采用局部连接、权值共享和池化处理方式减小网络模型的参数规模，降低网络参数学习难度。
因此，目前亟需低分辨雷达目标识别方法，能够结合卷积神经网络模型和雷达目标微多普勒的特性，实现高性能的雷达目标识别。
发明内容
有鉴于此，本发明提供了基于卷积神经网络融合特征的雷达目标识别方法及系统，采用神经网络同时提取多普勒谱分布和时频谱分布的微多普勒特征，并利用特征构造融合特征，实现高性能的雷达目标识别。
为达成上述发明目的，本发明的技术方案为：
一种基于卷积神经网络融合特征的雷达目标识别方法，具体步骤包括：
步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布。
步骤2、对多普勒谱分布和时频谱分布分别进行预处理。
步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量。
步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。
进一步的，对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
进一步的，步骤1的具体方法为：
将待测的雷达回波信号进行傅里叶变换，得到多普勒谱分布。
进一步的，步骤1的具体方法为：
对雷达回波信号进行短时傅里叶变换，得到时频谱分布。
进一步的，多层神经网络模型为全连接的多层神经网络模型。
一种基于卷积神经网络融合特征的雷达目标识别系统，针对上述的方法，包括回波信号接收模块、特征提取网络模型和目标识别网络模型。
回波信号接收模块，用于接收测的雷达回波信号并进行变换，得到多普勒谱分布和时频谱分布送入特征提取网络模型中。
特征提取网络模型由一维CNN模型、二维CNN模型和特征量连接层组成。
一维CNN模型由多层卷积层和池化层交替串联组成，用于对多普勒谱分布提取特征，得到多普勒谱分布特征。
二维CNN模型由多层卷积层和池化层交替串联组成，用于对时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量。
特征量连接层用于将展开后的时频谱分布特征与多普勒分布特征连接，得到融合特征矢量并送入目标识别网络模型中。
目标识别网络模型由多层神经网络以及Softmax层组成。
多层神经网络具有一个隐藏层和输出层，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同；输出层输出包含输入数据类别信息的抽象表征。
Softmax层用于对抽象特征进行识别，并输出识别结果。
进一步的，对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
进一步的，利用数据集对特征提取网络模型和目标识别网络模型分别进行参数学习和验证。
有益效果：
1、本发明方法利用一维CNN模型和二维CNN模型分别提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征；融合特征矢量输入多层全连接神经网络模型中，提取并输出深度网络得到包含输入数据类别信息的抽象表征；将抽象表征输入softmax分类器模型进行目标识别，得到特征对应的目标类别。本发明方法利用融合特征实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率。
2、本发明系统包括回波信号接收模块、特征提取网络模型和目标识别网络模型，采用特征提取网络模型(深度卷积神经网络模型)提取多普勒谱空间的分布特征和时频谱空间的分布特征，同时利用不同空间上的深层抽象特征构成融合特征，利用融合特征实现两类特征的信息互补，以增强雷达目标的识别性能，提高识别准确率。特征提取网络模型由多层卷积层和池化层交替串联组成，提高识别精度。
附图说明
图1为本发明方法的流程示意图。
图2为本发明方法的特征提取与目标识别网络结构示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
如图1所示，本发明提供了一种基于卷积神经网络融合特征的雷达目标识别方法，具体包括如下步骤：
步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布，具体方法为：将待测的雷达回波信号进行傅里叶变换(FFT)，得到多普勒谱分布；对雷达回波信号进行短时傅里叶变换(STFT)，得到时频谱分布。
步骤2、对多普勒谱分布和时频谱分布分别进行预处理。
步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒谱分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量。
步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。
下面结合具体实施例，对本发明做进一步阐述。
本实施例使用的微多普勒回波信号数据集为一低分辨两坐标地面监视雷达采集的外场实测数据，包括人员目标、轮式车辆目标、直升机目标和无人机目标共四类目标。其中，人员目标共700帧信号、车辆目标共648帧信号、直升机共290帧信号、无人机目标共590帧信号。
本发明针对上述数据集进行雷达目标识别，具体处理过程如下：
步骤1、分别对雷达回波信号进行FFT和STFT处理，得到多普勒谱分布和时频谱分布。一帧有效雷达回波信号的离散表示为z＝{z[0]，z[1]，...，z[n]...，z[N-1]}∈CN。其中，z[n]为雷达回波信号的第n采样点，N为总点数，n∈[0,N-1]。
步骤1.1、对雷达回波信号进行FFT变换并取模值，得到多普勒谱分布：
Figure BDA0003602941820000051
式中，w[n]为窗函数，|·|表示取模操作，n为离散时间，k为离散频率，j为虚数。
步骤1.2，对雷达回波信号进行STFT变换并取模值，得到时频谱分布：
Figure BDA0003602941820000061
式中，S(m，n)表示STFT时频谱分布，m为时间维，n为频率维，w(kT-mT)为滑动窗函数，T为时间采样间隔，F为频率采样间隔。
步骤2、分别对多普勒谱分布和时频谱分布进行预处理。
步骤2.1、对多普勒谱分布进行最大值归一化处理，处理后的多普勒谱分布为
Figure BDA0003602941820000062
步骤2.2、对时频谱分布的每个采样时刻的谱数据做最大值归一化处理。处理后的时频谱分布为：
Figure BDA0003602941820000063
步骤3、利用CNN模型分别提取多普勒谱分布特征和时频谱分布特征，并将两类特征进行融合。
步骤3.1、利用一维CNN模型提取多普勒谱X′[k]的分布特征F1。
步骤2.1所得多普谱数据通过一维CNN模型提取特征。对如图2所示，一维CNN模型的基本网络结构由多层卷积层和池化层交替串联组成，具体选用的网络结构共4层，其组成按照串联顺序具体如下：第1卷积层1D-Cov1具有64个卷积核，卷积核大小为1×3，卷积步长为2，激活函数为Relu函数；第1池化层1D-Pool1采用最大池化，窗口大小为1×2，步步长为2；第2卷积层1D-Cov2具有64个卷积核，卷积核大小为1×3，卷积步长为2，激活函数为Relu函数；第2池化层1D-Pool2采用最大池化，窗口大小为1×2，步步长为2。该网络输出一维特征向量。
步骤3.2、利用二维CNN模型提取时频谱S′(m，n)的分布特征F2，并将其展开为一维向量F′2。
对步骤2.2所得多普勒谱数据通过二维CNN模型提取特征。对如图2所示，二维CNN模型的基本网络结构由多层卷积层和池化层交替串联组成，具体选用的网络结构共4层，其组成按照串联顺序具体如下：第1卷积层2D-Cov1具有6个卷积核，卷积核大小为5×5，卷积步长为2，激活函数为Relu函数；第1池化层2D-Pool1采用平均池化，窗口大小为2×2，步步长为2；第2卷积层2D-Cov2具有16个卷积核，卷积核大小为5×5，卷积步长为2，激活函数为Relu函数；第2池化层2D-Pool2采用最大池化，窗口大小为2×2，步步长为2。该网络输出二维特征向量。
步骤3.3、将二维卷积神经网络提取的时频谱分布特征展开为一维向量F′2并与将一维卷积神经网络提取的多普勒谱分布特征F1连接，得到融合特征矢量F＝(F1；F′2)。
步骤4、将融合特征矢量F进一步输入全连接的多层神经网络提取特征并使用Softmax分类器模型进行目标识别。
多层神经网络具有一个隐藏层和输出层，隐藏层含有32个神经元，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同，其中本发明实施例中，数据集包含四类目标，则本发明实施例构建的输出层具有4个神经元。具体可表示为：多层神经网络的输出y＝{y1，y2，...，yc，...，yC}，C为目标类别数，这里共四类目标C＝4。
Softmax函数的表达式为
Figure BDA0003602941820000071
目标识别类型为
Figure BDA0003602941820000081
其中，pc为Softmax函数的输出值，yc'为多层神经网络的输出，yc'∈{y1,y2,...,yc,...,yC}。
利用数据集对本发明的特征提取和识别网络进行参数学习和验证。首先将数据集拆分为训练集和测试集，对每类目标，随机取百分之七十的样本作为训练数据集，剩余百分之三十的样本作为测试集。
如图2所示，基于上述方法，本发明还提出一种基于卷积神经网络融合特征的雷达目标识别系统，包括回波信号接收模块、特征提取网络模型和目标识别网络模型。
回波信号接收模块，用于接收测的雷达回波信号并进行变换，得到多普勒谱分布和时频谱分布送入特征提取网络模型中。送入前，多普勒谱分布和时频谱分布分别进行最大值归一化处理(作为预处理手段)。
特征提取网络模型由一维CNN模型、二维CNN模型和特征量连接层组成。
一维CNN模型由多层卷积层和池化层交替串联组成，用于对多普勒谱分布提取特征，得到多普勒谱分布特征；二维CNN模型由多层卷积层和池化层交替串联组成，用于对时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量。
特征量连接层用于将展开后的时频谱分布特征与多普勒分布特征连接，得到融合特征矢量并送入目标识别网络模型中。
目标识别网络模型由多层神经网络以及Softmax层组成。
多层神经网络具有一个隐藏层和输出层，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同；输出层输出包含输入数据类别信息的抽象表征；隐藏层含有32个神经元。
Softmax层用于对抽象特征进行识别，并输出识别结果。本发明实施例中，利用数据集对特征提取网络模型和目标识别网络模型分别进行参数学习和验证。
训练集用于对网络参数的训练学习。网络参数训练学习时，采用One-hot编码形式表示目标的类别编号。
损失函数使用交叉熵函数
Figure BDA0003602941820000091
其中，yi为样本对应目标One-hot编码，
Figure BDA0003602941820000092
网络Softmax分类器输出的预测值，
Figure BDA0003602941820000093
为one-hot编码的第j位数值。网络参数的训练学习采用基于小批量随机梯度下降法的Adam优化方法。经过训练学习得到网络参数后，对测试集的样本进行目标识别。
基于数据集进行五次识别处理实验，识别结果如表1所示，平均识别率为96.08％。
表1识别结果表
Figure BDA0003602941820000094
表2为实验2的个体识别率。实测数据的实验证明，本发明方法采用相对简单的深度神经网络结构，通过同时利用全局的多普勒谱和时频谱的分布特征，实现了准确的雷达目标识别。
表2个体识别率表
Figure BDA0003602941820000095
Figure BDA0003602941820000101
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于卷积神经网络融合特征的雷达目标识别方法，其特征在于，具体步骤包括：
步骤1、将待测的雷达回波信号进行变换，得到多普勒谱分布和时频谱分布；
步骤2、对多普勒谱分布和时频谱分布分别进行预处理；
步骤3、利用一维CNN模型对预处理后的多普勒谱分布提取特征，得到多普勒谱分布特征，利用二维CNN模型对预处理后的时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量；
步骤4、将融合特征矢量输入多层神经网络模型中，提取并输出特征；将特征输入softmax分类器模型进行目标识别，得到特征对应的目标识别类型。
2.如权利要求1所述的方法，其特征在于，所述对多普勒谱分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
3.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：
将待测的雷达回波信号进行傅里叶变换，得到多普勒谱分布。
4.如权利要求1所述的方法，其特征在于，步骤1的具体方法为：
对雷达回波信号进行短时傅里叶变换，得到时频谱分布。
5.如权利要求1所述的方法，其特征在于，所述多层神经网络模型为全连接的多层神经网络模型。
6.一种基于卷积神经网络融合特征的雷达目标识别系统，针对如权利要求1-5所述的方法，其特征在于，包括回波信号接收模块、特征提取网络模型和目标识别网络模型；
所述回波信号接收模块，用于接收测的雷达回波信号并进行变换，得到多普勒谱分布和时频谱分布送入特征提取网络模型中；
所述特征提取网络模型由一维CNN模型、二维CNN模型和特征量连接层组成；
所述一维CNN模型由多层卷积层和池化层交替串联组成，用于对多普勒谱分布提取特征，得到多普勒谱分布特征；
所述二维CNN模型由多层卷积层和池化层交替串联组成，用于对时频谱分布提取特征，得到时频谱分布特征，并将时频谱分布特征展开为一维向量；
所述特征量连接层用于将展开后的时频谱分布特征与多普勒谱分布特征连接，得到融合特征矢量并送入所述目标识别网络模型中；
所述目标识别网络模型由多层神经网络以及Softmax层组成；
所述多层神经网络具有一个隐藏层和输出层，激活函数为Sigmoid；输出层的神经元个数与待识别的目标类别数相同；输出层输出包含输入数据类别信息的抽象表征；
所述Softmax层用于对所述抽象特征进行识别，并输出识别结果。
7.如权利要求6所述的系统，其特征在于，对多普勒分布和时频谱分布分别进行预处理，具体方法为：对多普勒分布和时频谱分布分别进行最大值归一化处理。
8.如权利要求6所述的系统，其特征在于，利用数据集对特征提取网络模型和目标识别网络模型分别进行参数学习和验证。
CN202210408941.3A 2022-04-19 2022-04-19 基于卷积神经网络融合特征的雷达目标识别方法及系统 Pending CN114966587A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210408941.3A CN114966587A (zh) 2022-04-19 2022-04-19 基于卷积神经网络融合特征的雷达目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210408941.3A CN114966587A (zh) 2022-04-19 2022-04-19 基于卷积神经网络融合特征的雷达目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN114966587A true CN114966587A (zh) 2022-08-30

Family

ID=82978328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408941.3A Pending CN114966587A (zh) 2022-04-19 2022-04-19 基于卷积神经网络融合特征的雷达目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN114966587A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116059600A (zh) * 2022-11-25 2023-05-05 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116059600A (zh) * 2022-11-25 2023-05-05 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统
CN116059600B (zh) * 2022-11-25 2023-10-20 佛山市银河兰晶科技股份有限公司 一种基于互动投影的康复训练装置、训练方法及评估系统

Similar Documents

Publication Publication Date Title
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN108984745A (zh) 一种融合多知识图谱的神经网络文本分类方法
CN112364779A (zh) 信号处理与深-浅网络多模型融合的水声目标识别方法
CN106599797A (zh) 一种基于局部并行神经网络的红外人脸识别方法
CN107766893B (zh) 基于标签多级编码神经网络的目标识别方法
CN109711314B (zh) 基于特征融合与sae的雷达辐射源信号分类方法
CN110210534B (zh) 基于多包融合的高分遥感图像场景多标签分类方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
CN109239670B (zh) 基于结构嵌入和深度神经网络的雷达hrrp识别方法
Verma et al. Wild animal detection from highly cluttered images using deep convolutional neural network
Yang et al. Open set recognition of underwater acoustic targets based on GRU-CAE collaborative deep learning network
CN104268553A (zh) 基于核模糊Foley-Sammon转换的SAR图像目标识别方法
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN112084897A (zh) 一种gs-ssd的交通大场景车辆目标快速检测方法
CN104143088B (zh) 一种基于图像检索和特征权重学习的人脸识别方法
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
CN111563528A (zh) 基于多尺度特征学习网络与双边滤波的sar图像分类方法
CN115731411A (zh) 一种基于原型生成的小样本图像分类方法
Li et al. Enhanced bird detection from low-resolution aerial image using deep neural networks
CN114966587A (zh) 基于卷积神经网络融合特征的雷达目标识别方法及系统
CN109871907A (zh) 基于sae-hmm模型的雷达目标高分辨率距离像识别方法
Li et al. SE-HRNet: A deep high-resolution network with attention for remote sensing scene classification
CN113435276A (zh) 一种基于对抗残差网络的水声目标识别方法
CN114706054A (zh) 一种人体运动微多普勒信号识别的方法

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