深度学习在水下目标被动识别中的应用进展

近年来,随着深度学习方法在理论上取得一系列突破性进展,其展现出相对于传统机器学习方法的明显优势。在实际应用方面,深度学习借助其出色的特征学习能力,首先在语音和图像领域取得巨大成功,并迅速引起其他领域研究者们的重点关注。本文对现阶段深度学习在水下目标被动识别领域中的国内外研究进展和应用情况进行梳理总结,包括水下目标被动识别中常用的深度神经网络结构、深度学习对特征提取环节产生的影响以及数据匮乏条件下的建模方法。针对实际应用场景所面临的挑战,本文对未来一些可能的研究方向进行了展望,供广大研究人员参考借鉴。      

一种用于雷达目标识别的新型径向基函数网络

在分析径向基函数网络（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＲＢＦＮ）的基础上，提出了一种更适合于目标识别的基于模糊聚类的径向基函数网络（ＦｕｚｚｙＣｌｕｓｔｅｒｉｎｇＢａｓｅｄＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＦＣＢＲＢＦＮ）。这种网络利用模糊聚类方法，根据训练样本的空间分布确定网络的结构，利用聚类结果中的隶属度函数值控制高斯核函数形状参数。理论分析还表明，此径向基函数网络具有比一般径向基函数网络更强的泛化能力。利用一种战场侦察雷达获取的回波数据进行实验，结果表明，基于模糊聚类的该径向基函数网络的分类结果优于一般径向基函数网络。     

径向基函数神经网络的一种有效的在线学习方法

本文提出了一种径向基函数神经网络的有效在线学习方法。该学习方法不仅能根据输入信息的增加而动态地分配网络资源,而且能有效回收网络的冗余资源。在学习过程中网络的参数可以自适应地序贯进行调整。文中详细论述了这种神经网络的学习准则、动态增减隐节点算法和参数调整算法。同时通过分析和实验说明网络具有较强的映射能力和预测性能。     

径向基函数网络的ABS投影学习算法

Broomhead(1988),Chen(1991)等人提出的RBF网络的学习算法都是基于传统的LMS算法,因此具有一定的局限性。本文提出了一种新的RBF网络的学习算法ABS投影学习算法,它是一种直接的学习算法。计算机模拟的结果表明,它具有学习效率高,识别率高和适用范围广的优点。     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...     

径向基函数神经网络的再学习算法及其应用

为了应用径向基函数神经网络逐步地识别待研究系统,文章针对径向基函数神经网络的再学习算法开展了深入的研究.应用严格的数学推理方法,将径向基函数神经网络的再学习问题转化为矩阵求逆的附加运算.详细给出了径向基函数神经网络再学习算法中增加新训练样本和增加新基函数的数学公式,同时对如何获取新的训练样本进行了研究.     

基于LLE的分类算法及其在被动毫米波目标识别中的应用

该文针对模式识别中的单类分类问题,根据LLE算法思想,考虑数据分布的低维流形,提出了一种单类分类算法。基于流形学习算法发现了被动毫米波信号的短时傅里叶谱中低维流形的存在,并讨论了其特性。将新算法应用于被动毫米波金属目标识别,相对目前流行的分类算法,取得了更好的效果,且算法对输入参数不敏感,在数据混叠程度较高时仍有很好的鲁棒性。     

一种新型RBF神经网络及其在舰船雷达目标识别中的应用

利用一种新型径向基（Radial Basis Function）神经网络对舰船雷达目标识别进行了探讨，通过从目标的雷达回波中提取特征信息，并进行适当处理来判断目标的类型已成为目标识别的一种重要方法。仿真结果表明，识别精度很高。     

一种改进的雷达辐射源识别在线学习方法

针对支持向量机分类器学习新增样本知识实时性差的问题,本文研究了一种基于壳向量和Parzen窗密度估计的雷达辐射源识别在线学习方法.通过Parzen窗密度估计剔除样本孤立野点,通过求取样本集的壳向量缩短训练时间,利用训练好的分类器完成雷达信号样本识别.仿真实验表明,提出的基于壳向量和Parzen窗密度估计的雷达辐射源识别...     

一种改进的Capsule及其在SAR图像目标识别中的应用

为了解决Capsule网络随着输入图像增大计算量和参数数量急剧增加的问题,对Capsule网络进行了改进并将其用于SAR自动目标识别（SAR-ATR）中。基于大脑视觉皮层以层级结构以及柱状形式处理信息的机制,提出了完全实例化的思想,并运用类脑计算对Capsule网络进行了改进。具体方法是:使用多个卷积层实现层级处理,同时使用了较少的卷积核,但每一层使用的卷积核数量随着层级加深逐渐增加,使得提取的特征更加趋于抽象化;在PrimaryCaps层中,Capsule向量由最后一层卷积层输出的所有特征图构成,使得Capsule单元包含目标局部或整体的全部特征,以实现目标的完全实例化。在SAR-ATR上,将改进的Capsule网络与原Capsule网络、传统目标识别算法和基于经典卷积神经网络的目标识别算法进行对比实验。实验结果表明,改进的Capsule网络训练参数和计算量大大减少,并且训练速度得到很大提升,在SAR图像数据集上的识别准确率较Capsule网络和前两类方法分别提高了0.37和1.96~8.96个百分点。     

基于历史运动特征约束和SVM频谱分类的被动声呐目标关联跟踪方法

针对航迹交叉条件下被动声呐目标跟踪困难的问题,该文将现有运动特征关联方法和信号特征辅助关联方法进行改进融合,提出一种基于历史运动特征约束和支持向量机(His-SVM)频谱分类的被动声呐目标关联跟踪方法。首先,利用目标的历史航迹点提取历史方位变化率,作为重合条件下点航迹关联的主要特征;其次,将方位靠近目标的点迹关联问题转化为点迹频谱的分类问题,利用目标航迹点频谱训练的SVM模型完成待关联点迹频谱的分类,根据分类结果实现方位靠近目标的点航迹关联;最后,将两种方法有机融合,构建了被动声呐交叉重合目标关联跟踪的算法框架。仿真实验结果表明,该算法能够有效完成靠近目标的点迹分类和交叉重合目标的关联跟踪,其跟踪性能优于传统运动特征关联跟踪算法。     

基于径向基函数网络的模拟电路故障诊断设计

模拟电路的固有特点使其故障诊断较数字电路困难.相对于BP网络,RBF神经网络具有最佳逼近性能且收敛快、无局部极小,可引入解决上述困难.根据具体电路,定义故障,选定测试点,确定网络结构,用Pspice获得训练样本,经过训练得到RBF网络.网络的输入为从测试点得到的输入向量,输出为对应的故障.为了验证网络的泛化性能,对每种...