CN115620172B - 一种基于跨域多特征海上舰船目标智能化综合识别方法 - Google Patents
一种基于跨域多特征海上舰船目标智能化综合识别方法 Download PDFInfo
- Publication number
- CN115620172B CN115620172B CN202211645336.4A CN202211645336A CN115620172B CN 115620172 B CN115620172 B CN 115620172B CN 202211645336 A CN202211645336 A CN 202211645336A CN 115620172 B CN115620172 B CN 115620172B
- Authority
- CN
- China
- Prior art keywords
- classification
- identification
- model
- target
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于跨域多特征海上舰船目标智能化综合识别方法,通过CNN神经网络一维像特征智能识别模型获取海上舰船目标雷达宽带一维像,通过BPNN神经网络辐射源特征智能设别模型获取雷达侦察辐射源参数,通过CNN神经网络图像特征智能设别模型获取图像侦察情报数据,智能设别模型输出相应的分类识别结果和对应的分类识别概率,所述相应的分类识别结果经识别分类映射,映射生成统一的分类类别,以供融合识别在相同分类类别维度上开展多源识别结果的融合处理,最终形成高置信度的综合识别结果。提升综合识别智能化水平和识别置信度支撑力度。
Description
技术领域
本发明涉及智能化综合识别技术,特别是一种基于跨域多特征海上舰船目标智能化综合识别方法。
背景技术
对目标属性的识别认知是生成战场目标态势的一个关键要素和环节,是辅助指挥员快速准确地做出作战决策的重要依据。目前,对于目标属性识别最常用的方法是基于数据库或模板库匹配识别技术,该方法在数据库或模板库中无先验情报数据支持时,无法完成目标识别结果的输出,自适应和自主认知等智能化水平偏低。为提升识别智能化水平,已有一些针对目标单一探测感知域特征的基于神经网络的智能分类识别技术被提出。但由于仅依赖目标的某一维度特征进行认知训练,识别置信度受到一定制约。例如利用目标雷达辐射源参数特征可以完成目标平台型号识别,但由于某型雷达可能会搭载在多个型号平台上,网络模型输出识别结果可能给出多个识别概率相当的平台型号分类识别结果,造成识别结果“模糊”,给指挥员进行指挥决策带来困惑。
目标在不同探测感知域(雷达、电子侦察、图像等)内,客观存在着不同维度特征,而不同探测感知域的特征对于目标属性有着特殊的显性或隐性表征。
发明内容
针对现有技术中存在的问题,本发明目的是针对现有海上舰船目标识别智能化水平不高,识别置信度有效支撑偏弱等问题,提出一种基于跨域多特征海上舰船目标智能化综合识别方法。利用认知学习技术,针对海上舰船目标雷达探测,雷达侦察、图像情报等不同探测感知域目标特征进行智能化特征提取和分类识别,并通过融合识别处理对各类特征智能化分类识别结果进行跨域印证和冲突消解,实现智能化分类识别的跨域优势互补,提升综合识别智能化水平和识别置信度支撑力度,为指挥员进行作战决策艇提供高效辅助支撑。
本发明的目的通过以下技术方案实现。
一种基于跨域多特征海上舰船目标智能化综合识别方法,通过CNN神经网络一维像特征智能识别模型获取海上舰船目标雷达宽带一维像,通过BPNN神经网络辐射源特征智能识别模型获取雷达侦察辐射源参数,通过CNN神经网络图像特征智能识别模型获取图像侦察情报数据,所述CNN神经网络一维像特征智能识别模型、BPNN神经网络辐射源特征智能识别模型、CNN神经网络图像特征智能识别模型输出相应的分类识别结果和对应的分类识别概率,所述相应的分类识别结果经识别分类映射,映射生成统一的分类类别,以供融合识别在相同分类类别维度上开展多源识别结果的融合处理,最终形成高置信度的综合识别结果。
所述CNN神经网络一维像特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成CNN神经网络卷积层、池化层的层数,卷积核,激活函数的设计;
网络模型初始化:对CNN神经网络卷积层、全连接层的参数进行初始化;
网络模型训练:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成训练数据集,对CNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算全连接层、池化层、卷积层各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成测试数据集,所述测试数据集和训练数据不重复,对模型分类正确率进行校验测试,如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对CNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的CNN网络模型存档保存,生成CNN神经网络一维像特征智能识别模型。
所述BPNN神经网络辐射源特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成BPNN神经网络隐藏层神经元数量、激活函数的设计;
网络模型初始化:对BPNN神经网络各层权值和偏置的参数进行初始化;
网络模型训练:从已有的雷达辐射源情报库中,抽取多个雷达辐射源参数和目标分类真值,模拟生成辐射源参数样本形成训练数据集,对BPNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有的雷达辐射源库中,抽取多个雷达辐射源参数和目标分类真值,所述雷达辐射源参数和目标分类真值和训练数据不重复,模拟生成辐射源参数样本形成测试数据集,对模型分类正确率进行校验测试;如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对BPNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的BPNN网络模型存档保存,生成BPNN神经网络一维像特征智能识别模型。
所述CNN神经网络图像特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成CNN神经网络卷积层、池化层的层数,卷积核,激活函数的设计;
网络模型初始化:对CNN神经网络卷积层、全连接层的参数进行初始化;
网络模型训练:从已有图像模板库中抽取训练数据集,对CNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算全连接层、池化层、卷积层各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有图像模板库中抽取测试数据集,所述测试数据集和训练数据不重复,对模型分类正确率进行校验测试,如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对CNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的CNN网络模型存档保存,生成CNN神经网络图像特征智能识别模型。
所述融合识别的步骤包括:设分别表示基于目标雷达宽带一维像、雷达侦察辐射源参数、图像侦察情报智能化分类识别结果的分类识别概率,分别代表大型目标、中型目标、小型目标分类识别结果,利用公式对进行融合识别处理,得到最终目标为大型目标、中型目标、小型目标分类识别结果的概率;其中,,表示空集,C为冲突系数:,C表征了基于各特征识别分类结果的冲突。
相比于现有技术,本发明的优点在于:a)充分利用目标特征信息开放共享机制,将智能化认知学习技术广泛应用到海上舰船目标的多个不同探测感知域内,在无数据库或模板库支撑条件下,实现未知目标特征的隐性提取和自主识别,较传统的数据库或模板库匹配识别技术,大幅提升对海上舰船目标的自适应、智能化识别认知水平。
b)较现有单一探测感知域特征智能化识别技术,通过海上舰船目标跨域多特征智能化识别结果的融合识别,充分挖掘不同特征智能识别结果的互补印证潜能,在提升最终综合识别的置信度。
c)利用综合识别置信度的提升,进一步反向印证确认雷达侦察单探测感知域智能化平台型号识别结果,消解识别模糊,支撑综合识别给出准确的平台型号识别结果,提升辐射源特征智能化识别作战运用效能。
附图说明
图1为本发明处理框图。
图2为网络模型生成基本流程图。
图3为基于先验规则的分类映射图。
图4为本发明技术验证实施示意图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
一种基于跨域多特征海上舰船目标智能化综合识别方法,基于不同维度不同模态目标特征进行智能化技术推广应用,利用认知学习算法,对海上舰船目标的多个不同探测感知域特征进行智能化提取和分类识别,并对跨域多特征识别结果进行融合识别处理,充分挖掘目标多维度多模态特征跨域互补识别潜能,在提升对海上舰船目标智能化识别水平的同时,提升目标智能化综合识别的置信度。
基于跨域多特征海上舰船目标智能化综合识别技术处理框图如图1所示,技术处理功能主要由各类特征神经网络智能识别模型、分类识别映射和融合识别三类功能模块共同完成。通过相应的神经网络智能识别模型分别对获取的海上舰船目标雷达宽带一维像、雷达侦察辐射源参数、图像侦察情报进行智能化识别,智能识别模型输出相应的分类识别结果和对应的分类识别概率。分类识别结果经识别分类映射,映射生成统一的分类类别,以供融合识别在相同分类类别维度上开展多源识别结果的融合处理,最终形成高置信度的综合识别结果。对于雷达宽带一维像、图像侦察情报,需要提取目标特征信息,而CNN神经网络中的卷积层和池化层,可隐式地从训练数据中学习特征,避免了显式的特征提取,故基于雷达宽带一维像、图像侦察情报的智能识别模型采用CNN神经网络构建。雷达侦察辐射源的频率、重频、脉宽、脉内信息等特征参数在雷达侦察参数测量、信号分选、脉内分析等处理中已获取,故基于雷达侦察辐射源的智能识别模型采用通用性较好的BPNN神经网络构建。
基于跨域多特征海上舰船目标智能化综合识别技术具体实现步骤如下:
a)智能识别模型生成
1)CNN神经网络一维像特征智能识别模型生成
CNN神经网络一维像特征智能识别模型生成的基本流程如图2所示。
① 网络模型设计:基于分类识别需求,完成CNN神经网络卷积层、池化层的层数,卷积核,激活函数等设计。
② 网络模型初始化:对CNN神经网络卷积层、全连接层等层的权值等参数进行初始化。
③ 网络模型训练:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成训练数据集,对CNN神经网络模型进行迭代训练。
单个一维像样本:{{刻度1幅度,刻度2幅度,……刻度n幅度},{成像角度参数段}}。
目标分类真值:{大型目标},{中型目标},{小型目标}。
当网络输出的分类结果与期望值(分类真值)的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算全连接层、池化层、卷积层各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练。
④ 网络模型校验:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成测试数据集(和训练数据不重复),对模型分类正确率进行校验测试。如果测试分类正确率低于设计所需分类正确率,可能需要返回到模型设计阶段,对CNN网络模型设计进行优化调整。
⑤ 网络模型保存:对完成训练并通过校验的CNN网络模型存档保存,生成CNN神经网络一维像特征智能识别模型。
2)BPNN神经网络辐射源特征智能识别模型生成
BPNN神经网络辐射源特征智能识别模型生成的基本流程与CNN神经网络一维像特征智能识别模型生成流程基本一致,如图2所示。
① 网络模型设计:基于分类识别需求,完成BPNN神经网络隐藏层神经元数量、激活函数等设计。
② 网络模型初始化:对BPNN神经网络各层权值和偏置等参数进行初始化。
③ 网络模型训练:从已有的雷达辐射源情报库中,抽取多个雷达辐射源参数和目标分类真值,模拟生成辐射源参数样本形成训练数据集,对BPNN神经网络模型进行迭代训练。
单个雷达辐射源参数样本:{{频率参数段},{重频参数段},{脉宽参数段},{数据率参数段},{脉内参数段}}。
目标分类真值:{平台型号A},{平台型号B},……。
当网络输出的分类结果与期望值(分类真值)的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练。
④ 网络模型校验:从已有的雷达辐射源库中,抽取多个雷达辐射源参数和目标分类真值(和训练数据不重复),模拟生成辐射源参数样本形成测试数据集,对模型分类正确率进行校验测试。如果测试分类正确率低于设计所需分类正确率,可能需要返回到模型设计阶段,对BPNN网络模型设计进行优化调整。
⑤ 网络模型保存:对完成训练并通过校验的BPNN网络模型存档保存,生成BPNN神经网络一维像特征智能识别模型。
3)CNN神经网络图像特征智能识别模型生成
模型生成方法与CNN神经网络一维像特征智能识别模型生成基本相同,主要差异在于从已有图像模板库中抽取训练数据集和测试数据集样本的格式:
单个图像样本:多通道{图像矩阵}。
目标分类真值:{大型目标},{中型目标},{小型目标}。
相应的网络设计的参数也随之发生变化。
b)多特征智能识别
分别利用CNN神经网络一维像特征智能识别模型、BPNN神经网络辐射源特征智能识别模型生成以及CNN神经网络图像特征智能识别模型对获取的舰艇目标雷达宽带一维像、雷达侦察辐射源参数、图像侦察情报进行分类识别,输出分类识别结果,并给出识别分类的概率。
c)识别分类映射
由于雷达侦察辐射源分类识别结果为舰船平台型号,相对雷达宽带一维像、图像侦察情报分类识别结果大型目标/中型目标/小型目标维度划分不一致,通过先验规则对雷达侦察辐射源分类识别结果进行映射,将平台型号映射到大型目标/中型目标/小型目标维度,如图3所示。
d)融合识别:设分别表示基于目标雷达宽带一维像(i=1)、雷达侦察辐射源参数(i=2)、、图像侦察情报(i=3)、智能化分类识别结果的分类识别概率,分别代表大型目标(j=1)、中型目标(j=2)、小型目标(j=3)分类识别结果,利用公式对进行融合识别处理,得到最终目标为大型目标、中型目标、小型目标分类识别结果的概率;其中,,表示空集,C为冲突系数:,C表征了基于各特征识别分类结果的冲突。
具体技术验证实施示意图如图4所示。
1)智能识别模型生成
利用舰艇目标雷达宽带一维像模板库样本数据训练生成CNN神经网络一维像特征智能识别模型,并完成模型校验。
利用雷达辐射源情报库中辐射源参数模拟生成样本数据训练生成BPNN神经网络辐射源特征智能识别模型,并完成模型校验。
利用舰艇目标SAR图像样本数据训练生成CNN神经网络图像特征智能识别模型,并完成模型校验。
2)多特征智能分类识别和映射
利用外场试验采集的某海上中型配试舰艇目标的雷达宽带一维像数据,雷达侦察辐射源数据,SAR图像数据,相应地利用CNN神经网络一维像特征智能识别模型、BPNN神经网络辐射源特征智能识别模型以及CNN神经网络图像特征智能识别模型进行分类识别,输出分类识别结果,并给出相应分类识别概率。对雷达侦察辐射源智能识别的舰船平台型号,根据先验规则完成大型/中型/小型目标的分类映射。
3)融合识别
对智能识别模型输出的分类识别结果和分类识别概率,根据(1)式进行融合识别处理,分别给出对配试舰艇目标大型、中型目标、小型目标融合分类识别概率。
4)验证结果分析
对于中型配试舰艇目标,CNN神经网络一维像特征智能识别模型、BPNN神经网络辐射源特征智能识别模型、CNN神经网络图像特征智能识别模型以及融合识别后的分类识别结果和分类识别概率如下表。
验证结果表
验证结论:
1)在无数据库和模板库支持条件下,本发明技术可完成对未知舰艇目标各特征的自主认知智能化识别。
2)根据最终融合识别的分类识别概率,识别结果为中型目标(98.1%),该分类识别概率可看作为识别置信度。
3)对于雷达侦察辐射源参数智能化识别,由于对应的雷达在型号A(大型目标)及型号C(中型目标)两型舰艇上均有装载,模型输出大型目标、中型目标分类识别概率相当,分类识别结果出现模糊。依据融合识别处理给出98.1%中型目标结论,反向印证确认雷达侦察辐射源参数智能化平台型号识别结果应为型号C。
综上,最终综合识别结果为:中型目标舰艇,型号C。与配试舰艇属性一致。
Claims (5)
1.一种基于跨域多特征海上舰船目标智能化综合识别方法,其特征在于通过CNN神经网络一维像特征智能识别模型获取海上舰船目标雷达宽带一维像,从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成训练数据集,对CNN神经网络模型进行迭代训练,单个一维像样本:刻度1幅度、刻度2幅度、……刻度n幅度以及成像角度参数段;目标分类真值:大型目标、中型目标、小型目标,通过BPNN神经网络辐射源特征智能识别模型获取雷达侦察辐射源参数,从已有的雷达辐射源情报库中,抽取多个雷达辐射源参数和目标分类真值,模拟生成辐射源参数样本形成训练数据集,对BPNN神经网络模型进行迭代训练,单个雷达辐射源参数样本:频率参数段、重频参数段、脉宽参数段、数据率参数段、脉内参数段;目标分类真值:平台型号A、平台型号B、……;通过CNN神经网络图像特征智能识别模型获取图像侦察情报数据,从已有图像模板库中抽取训练数据集和测试数据集样本的格式,对CNN神经网络模型进行迭代训练;单个图像样本:多通道图像矩阵,目标分类真值:大型目标、中型目标、小型目标;所述CNN神经网络一维像特征智能识别模型、BPNN神经网络辐射源特征智能识别模型、CNN神经网络图像特征智能识别模型输出相应的分类识别结果和对应的分类识别概率,所述相应的分类识别结果,通过先验规则对雷达侦察辐射源分类识别结果进行映射,将平台型号映射到大型目标、中型目标、小型目标维度,所述相应的分类识别结果经识别分类映射,映射生成统一的分类类别,以供融合识别在相同分类类别维度上开展多源识别结果的融合处理,最终形成高置信度的综合识别结果,利用综合识别置信度的提升,进一步反向印证确认雷达侦察单探测感知域智能化平台型号识别结果,消解识别模糊,支撑综合识别给出准确的平台型号识别结果,提升辐射源特征智能化识别作战运用效能。
2.根据权利要求1所述的一种基于跨域多特征海上舰船目标智能化综合识别方法,其特征在于所述CNN神经网络一维像特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成CNN神经网络卷积层、池化层的层数,卷积核,激活函数的设计;
网络模型初始化:对CNN神经网络卷积层、全连接层的参数进行初始化;
网络模型训练:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成训练数据集,对CNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算全连接层、池化层、卷积层各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有的目标一维像模板库中,抽取多个一维像样本和目标分类真值形成测试数据集,所述测试数据集和训练数据不重复,对模型分类正确率进行校验测试,如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对CNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的CNN网络模型存档保存,生成CNN神经网络一维像特征智能识别模型。
3.根据权利要求1所述的一种基于跨域多特征海上舰船目标智能化综合识别方法,其特征在于所述BPNN神经网络辐射源特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成BPNN神经网络隐藏层神经元数量、激活函数的设计;
网络模型初始化:对BPNN神经网络各层权值和偏置的参数进行初始化;
网络模型训练:从已有的雷达辐射源情报库中,抽取多个雷达辐射源参数和目标分类真值,模拟生成辐射源参数样本形成训练数据集,对BPNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有的雷达辐射源库中,抽取多个雷达辐射源参数和目标分类真值,所述雷达辐射源参数和目标分类真值和训练数据不重复,模拟生成辐射源参数样本形成测试数据集,对模型分类正确率进行校验测试;如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对BPNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的BPNN网络模型存档保存,生成BPNN神经网络一维像特征智能识别模型。
4.根据权利要求1所述的一种基于跨域多特征海上舰船目标智能化综合识别方法,其特征在于所述CNN神经网络图像特征智能识别模型生成的步骤包括:
网络模型设计:基于分类识别需求,完成CNN神经网络卷积层、池化层的层数,卷积核,激活函数的设计;
网络模型初始化:对CNN神经网络卷积层、全连接层的参数进行初始化;
网络模型训练:从已有图像模板库中抽取训练数据集,对CNN神经网络模型进行迭代训练;
当网络输出的分类结果与期望值的误差超出设定阈值范围时,则将出分类结果与期望值的误差逐层依次从后向前反向返回计算全连接层、池化层、卷积层各层误差,依据误差进行各层权值的调整更新,根据调整更新后的权值进行新一轮训练,直到网络输出分类结果与期望值误差在设定阈值范围内后停止训练;
网络模型校验:从已有图像模板库中抽取测试数据集,所述测试数据集和训练数据不重复,对模型分类正确率进行校验测试,如果测试分类正确率低于设计所需分类正确率,需要返回到模型设计阶段,对CNN网络模型设计进行优化调整;
网络模型保存:对完成训练并通过校验的CNN网络模型存档保存,生成CNN神经网络图像特征智能识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645336.4A CN115620172B (zh) | 2022-12-21 | 2022-12-21 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645336.4A CN115620172B (zh) | 2022-12-21 | 2022-12-21 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620172A CN115620172A (zh) | 2023-01-17 |
CN115620172B true CN115620172B (zh) | 2023-04-11 |
Family
ID=84880220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211645336.4A Active CN115620172B (zh) | 2022-12-21 | 2022-12-21 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620172B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443201B (zh) * | 2019-08-06 | 2023-01-10 | 哈尔滨工业大学 | 基于多源影像联合形状分析与多属性融合的目标识别方法 |
CN112862748B (zh) * | 2020-12-25 | 2023-05-30 | 重庆大学 | 一种多维域特征联合sar船舰智能检测方法 |
CN113627356B (zh) * | 2021-08-13 | 2024-02-23 | 上海无线电设备研究所 | 一种海面舰船智能识别方法 |
CN114511774A (zh) * | 2021-12-22 | 2022-05-17 | 江苏蓝视海洋科技有限公司 | 一种舰船目标综合识别方法、介质和系统 |
CN114581675A (zh) * | 2021-12-24 | 2022-06-03 | 厦门理工学院 | 一种基于机器视觉与多源数据融合的海上船舶检测方法 |
-
2022
- 2022-12-21 CN CN202211645336.4A patent/CN115620172B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115620172A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10546242B2 (en) | Image analysis neural network systems | |
Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
CN110851957B (zh) | 一种基于深度学习的大气数据传感系统解算方法 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN108537790B (zh) | 基于耦合翻译网络的异源图像变化检测方法 | |
CN110988804B (zh) | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 | |
CN113378988B (zh) | 基于粒子群算法的深度学习系统鲁棒性增强方法及装置 | |
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 | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN115034257B (zh) | 一种基于特征融合的跨模态信息目标识别方法及装置 | |
CN114926693A (zh) | 基于加权距离的sar图像小样本识别方法及装置 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN115019145A (zh) | 一种青藏高原公路路表沉降变形监测方法 | |
CN112699833A (zh) | 基于卷积神经网络复杂光照环境下的舰船目标识别方法 | |
CN115620172B (zh) | 一种基于跨域多特征海上舰船目标智能化综合识别方法 | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
CN116894223A (zh) | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 | |
CN111209813A (zh) | 基于迁移学习的遥感图像语义分割方法 | |
CN115205602A (zh) | 基于最优传输距离函数的零样本sar目标识别方法 | |
CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 | |
CN115206455A (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
Chen et al. | An application of improved RANSAC algorithm in visual positioning | |
CN113361639A (zh) | 一种基于深度学习的辐射源信号多模型综合分类方法 | |
CN112509019A (zh) | 一种基于兼容性特征的三维对应关系分组方法 |
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 |