《雷达海上目标双通道卷积神经网络特征融合智能检测方法》PDF+DOC
作者:苏宁远,陈小龙,陈宝欣,关键
单位:南京电子技术研究所
出版:《现代雷达》2019年第10期
页数:7页 (PDF与DOC格式可能不同)
PDF编号:PDFXDLD2019100090
DOC编号:DOCXDLD2019100099
下载格式:PDF + Word/doc 文字可复制、可编辑
《结合手机传感器和卷积神经网络的人体行为识别》PDF+DOC2018年第03期 石代伟,张若英
《基于短时稀疏时频分布的雷达目标微动特征提取及检测方法》PDF+DOC2017年第05期 陈小龙,关键,于晓涵,何友
《2019年度《现代雷达》优秀论文》PDF+DOC2020年第01期
《2019年度《现代雷达》优秀论文》PDF+DOC2020年第07期
《基于卷积神经网络的海上微动目标检测与分类方法》PDF+DOC2018年第05期 苏宁远,陈小龙,关键,牟效乾,刘宁波
《分形模型在海上雷达目标检测中的应用》PDF+DOC1998年第04期 杜干,张守宏
《海杂波背景下基于RBF神经网络的目标检测》PDF+DOC2005年第05期 陈瑛,罗鹏飞
《基于信息融合与神经网络的复合振动故障诊断》PDF+DOC2004年第04期 陈丁跃
《基于小波包和神经网络的瓦斯传感器故障诊断》PDF+DOC2010年第05期 赵金宪,金鸿章
《海杂波中的雷达目标检测技术综述》PDF+DOC2014年第12期 何友,黄勇,关键,陈小龙
受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核Le Net的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。