排序方式： 共有123条查询结果，搜索用时 15 毫秒
1.
2.
3.
4.
5.
为获得更高的相干信号角度估计精度,并提高算法可实现性,在极化敏感阵列的基础上,文中提出了一种米波极化敏感阵列的实值多重信号分类测高方法。该方法首先采用矩阵重构的方法消除多径相干信号的影响;其次,利用酉变换对接收数据进行实值处理使其变为实数数据,并利用奇异值技术降低接收数据维度及噪声对接收数据的影响;然后,通过对特征值分解获得的噪声子空间矩阵进行空间谱估计获得目标仰角;最后,利用几何关系获得目标高度。由于该方法完全用实值运算来表述,因而可以显著降低计算复杂度。仿真结果表明:该方法测高精度更高,更利于工程实现。 相似文献
6.
遥感机场区域目标的检测有很大的军事意义和民用意义。为了取得快速且精确的检测效果,自主构建了更加符合具体任务的数据集;以一步回归全局检测为基础框架,针对数据集中类别分布不均衡问题,提出使用生成的方法用生成对抗网络进行有针对性的数据扩充,以获得具有领域变换特性、类数据分布更为均衡的数据集。同时,使用改进的双权重特征金字塔网络检测部件,来融合得到深层次可区分性的更加鲁棒的特征。实验结果表明,相比原网络,改进网络带来了4.98%的多类目标平均检测精确度以及8.33%的平均交并比的提升,分别达到了89.07%的多类目标平均检测精度以及61.97%的平均交并比。此外,改进网络的平均检测时间为0.062 5 s,相比类似检测率的RetinaNet-101网络速度约快5.3倍,体现了该网络的有效性以及对具体任务的实用性。 相似文献
7.
空战对抗过程中的目标状态数据呈现时序性、多维性等特征,为进一步提升目标意图识别的准确率,提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法,将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据,生成特征序列;接着采用注意力机制提升目标的特征学习能力,增强空战过程中的主要目标状态特征表示,得到具有权值分配的特征向量;最后利用LSTM网络对目标特征向量进行训练,通过softmax层实现目标意图的识别。仿真实验表明,该方法利用注意力机制有效增强目标的特征学习,进一步提升了LSTM网络的识别精度,具有一定的科学性和有效性。 相似文献
8.
为提高雷达目标识别准确率,提出了一种基于深度置信网络(DBN)的高分辨率雷达距离像(HRRP)识别方法。首先利用受限玻尔兹曼机(RBM)对HRRP数据进行逐层无监督训练,根据对比散度(CD)算法更新网络参数,通过误差重构设计DBN深度;而后利用反向传播(BP)机制对DBN模型参数进行有监督的微调;最后基于该模型实现了HRRP的分类与识别。实验结果表明,与传统神经网络相比,本文方法的识别准确率及噪声鲁棒性显著提高,识别准确率可提高8. 5%。 相似文献
9.
针对电子战条件下,通信信号易受压制干扰的问题,提出了一种基于动态学习率深度自编码器(dynamic learning rate deep Auto Encoder,DLr-DAE)的信道编码算法来提高系统抗压制干扰性能。首先对输入未编码信号进行预处理,将原始输入信号转换为单热矢量;随后使用训练数据样本集,用非监督学习方法训练深度自编码器,基于随机梯度下降法(SGD)更新网络参数,利用指数衰减函数,在迭代次数和网络损失函数值变化过程中动态微调学习率,减少网络迭代循环次数,避免收敛结果陷入局部最优点,从而获得面向电子战环境的信道编码深度学习网络。仿真结果表明,相比现有深度学习编码算法,该算法在取得同等误码率时,抗噪声压制干扰性能最大可提升0. 74 d B。 相似文献
10.