基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

全极化高分辨雷达距离像统计识别方法

在全极化、高分辨雷达体制背景下,提出一种将极化信息与高分辨距离像相结合的雷达目标统计识别方法。采用物理统计非高斯模型对全极化高分辨距离像建模,用模型参数分别表征具有较强散射强度分辨单元的多少和强弱,将全极化下的模型参数直接作为特征矢量,并采用Parzen窗法估计模型参数的概率分布密度,用贝叶斯分类器进行分类识别。对实测的导弹类目标识别结果表明,该方法能有效克服距离像特征依赖于方位信息的缺点,达到令人满意的识别结果。     

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。      

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

一种改进的高分辨极化目标检测算法

针对宽带高分辨雷达体制,研究了杂波环境中的目标检测问题,引用了极化域线性积累滤波的思路以提高雷达接收信号的信杂比,在此基础上利用波形固有的径向高分辨力对目标进行一维距离成像,结合目标所占据的分辨单元区间内的幅值及其极化状态相对于杂波所对应的分辨单元内的幅值及其极化状态有着较大的差异这一客观事实,提出了基于 Stokes矢量 Frobenius范数非参数检测方法,实验仿真结果表明该方法能够有效改善雷达的检测性能。     

基于Stokes矢量的高分辨极化目标检测

研究了毫米波高分辨雷达杂波环境中的目标检测问题,提出了基于Stokes矢量的高分辨极化目标检测方法,利用毫米波形固有的径向高分辨力对目标进行一维距离成像,结合目标所占据分辨单元区间内的Stokes矢量的幅值以及其极化状态相对于杂波所对应分辨单元内的Stokes矢量的幅值以及其极化状态有着较大的变化这一客观事实,提出了基于Stokes矢量的双门限非参数检测方法,实验仿真结果表明本文方法能够有效改善雷达的检测性能。     

雷达目标辨识网络的对抗性样本分析

为了验证雷达目标辨识网络存在风险,提升基于辨识网络的雷达目标辨识效果,文中研究了不同雷达目标辨识网络的对抗性样本。针对雷达目标辨识网络中的卷积神经网络和分解卷积神经网络,建立对抗性样本生成模型,按照该模型生成对抗性样本,并对生成的结果进行分析总结。实测数据处理结果表明,雷达目标辨识网络存在潜在风险。     

基于红外与雷达的夜间无人车驾驶决策方法

速度与方向的决策建议是夜间无人车驾驶研究的关键,针对夜间无人车速度与方向决策,基于红外图像与雷达信息,提出了一种包含深度信息的红外图像多任务分类网络用来给出速度与方向决策.通过红外摄像头及雷达采集的数据训练深度网络,其中雷达采集的深度图像作为训练标签,采用卷积-反卷积神经网络来进行红外图像的深度估计,进而获得深度信息.利用深度信息制作分类网络训练标签,通过AlexNet分类网络得到速度决策建议.再根据红外图像的道路信息训练方向分类网络,将无人车的驾驶决策问题转化为分类模型,并将分类模型与深度估计网络相结合.实验结果表明,网络的角度准确率及速度准确率分别为87.43%和85.89%,并且利用训练得到的模型对图像进行决策的时间为0.04 s/帧,能够达到实时性的要求。     

基于卷积神经网络迁移学习的飞机目标识别

飞机目标识别是地面情报系统的一项重要关键技术。近年来火热的深度学习方法,如卷积神经网络,展现出对于图像识别任务的优越性能。但是,训练卷积神经网络需要大量的带标签样本以估计规模庞大的模型参数,因而限制了其在雷达目标识别领域中的应用。针对飞机目标识别中的小样本问题,文中引入适用于有限数据场景的迁移学习技术,预先在其他大样本高分辨距离像数据上训练一个初始卷积神经网络模型,再结合当前飞机目标识别任务调优模型参数。在实测数据上的实验结果显示,与仅使用卷积神经网络的方法相比,所提方法可显著提升识别准确率,验证了方法的有效性。     

基于U2-Net和VGG16的天然气泄露检测

目前在深度学习领域很少以天然气泄露图像为数据进行研究,本文使用甲烷红外图像训练的卷积神经网络(VGG16)来实现泄露检测。另外,针对泄露的甲烷气体与背景图像存在相似性的问题,使用U²-Net图像分割网络代替背景建模方法来提取泄露气体区域。通过迁移VGG16网络模型结构和卷积层参数,在卷积层和激励层之间加入BN层以提高训练速度,将最后一层池化层替换为基于最大池化算法的动态自适应池化方法以提高检测精度。将改进的VGG16神经网络对分割的红外图像进行训练并与其他卷积神经网络进行对比,使用准确率,精准率,召回率和F1-score来对模型进行综合评价,其表现效果最好。与现有的检测方法进行对比,所提出的检测方法准确率更高。该检测方法能够实现高精度泄漏检测,满足天然气泄露检测准确性的要求,且模型具有较好的泛化能力和鲁棒性。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

基于卷积神经网络的PET/CT多模态图像识别研究

将卷积神经网络用于CT、PET、PET/CT三种模态的医学影像分类识别,为医院统一存储管理影像数据和医护人员快速检索提供便利.首先探讨卷积神经网络对于PET/CT多种模态图像识别的可行性,其次探讨模型参数(迭代次数、批量大小)对网络识别率和训练时间的影响,然后改变CNN模型结构,探讨网络层数、特征图数量和卷积核大小对网络训练和分类效果的影响.实验表明:卷积神经网络对于PET/CT多模态图像识别取得了良好的效果,针对特定问题需要综合图像大小和信息的复杂程度构建最优的CNN模型,在保证高识别率的同时,可以选择合适的参数降低时间复杂度.     

基于RDSNet的毫米波雷达人体跌倒检测方法

随着人口老龄化的到来,跌倒检测逐渐成为研究热点。针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型。首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列的时间相关性信息,最后通过分类器网络得到检测结果。利用毫米波雷达采集了不同对象的多种人体动作,构建了距离多普勒热图数据集。对比试验表明,所提出的RDSNet网络模型检测准确率可达到96.67%,计算时延小于50 ms,而且具有良好的泛化能力,可为跌倒检测和人体姿态识别提供新的技术思路。      

基于神经网络学习的网络防火墙拦截效能评估

为了提高对网络防火墙拦截效能智能评估能力,提出一种基于网络攻击特征大数据采样和卷积神经网络学习的网络防火墙拦截效能智能评估方法。采用攻击强度评估方法进行防火墙的拦截能力评估,结合卷积神经网络学习方法进行攻击大数据特征提取,以入侵信息拦截的概率为评价对象,结合定量递归分析方法进行网络防火墙拦截效能自适应动态评估。仿真测试结果表明,该模型能有效评估网络防火墙的拦截效能,提高对入侵信息的拦截检测能力。     

卷积神经网络在脑疲劳检测中的研究

脑疲劳是由于持续进行脑力劳动导致的一种状态，脑电被认为是脑疲劳状态检测的最佳工具。如何选取合适的脑疲劳特征成为脑疲劳检测的关键问题，传统模式识别中手动提取特征会产生信息损失，针对脑电的时空特性，本文设计了具有时域卷积核、空间域卷积核的深层卷积神经网络和浅层卷积神经网络两种网络结构，将特征提取和状态分类合二为一，对正常态与疲劳态脑电数据进行分类，可视化了卷积神经网络的空间域卷积核。结果表明，浅层卷积神经网络平均分类正确率为98.868%，深层卷积神经网络平均分类正确率为98.217%，均高于传统分类方法，通过空间域卷积核的可视化，能够了解不同导联在网络中的参与程度，验证了该模型在脑疲劳检测任务中具有很高的有效性，同时为脑疲劳检测提供了新思路。      

基于群卷积神经网络的恶意域名检验方法

针对恶意域名检测中存在的随机性大、现实样本少的缺陷,导致深度学习模型训练易出现过拟合的问题,提出了一种基于群卷积神经网络的恶意域名检测方法。首先将域名转换为嵌入词向量表示,然后通过随机维度组合生成随机数据集并构建卷积神经网络组,鉴于Inception结构优势将其加入到网络中,最后针对数据集易出现的类间样本失衡问题,引入了类间平衡系数以抑制模型训练过拟合,提高模型泛化能力。实验结果表明,在采集的域名检测数据集上,所构建的模型能够有效实现恶意域名检测;经过参数优化,相比于浅层模型组合分类器与典型深度神经网络模型LSTM-CNN,群卷积神经网络对所构建的域名检测集检测准确率分别提升了4%、1%,达到98.9%。