海雜波背景下小目標(biāo)檢測的深度信念網(wǎng)絡(luò)方法 優(yōu)先出版.pdf

《海雜波背景下小目標(biāo)檢測的深度信念網(wǎng)絡(luò)方法 優(yōu)先出版.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、人工智能ArtificialIntelligence海雜波背景下小目標(biāo)檢測的深度信念網(wǎng)絡(luò)方法馮亮(浙江師范大學(xué)數(shù)理與信息工程學(xué)院，浙江金華321004)摘要:結(jié)合深度學(xué)習(xí)相關(guān)理論，提出了海雜波背景下小目標(biāo)檢測的深度信念網(wǎng)絡(luò)方法。該方法以無標(biāo)簽數(shù)據(jù)逐層進(jìn)行非監(jiān)督貪婪訓(xùn)練，使每層得到一個合適的初始值;構(gòu)建深度信念網(wǎng)絡(luò)初步模型，并以帶標(biāo)簽的數(shù)據(jù)對該種模型以誤差反向算法對整個網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)優(yōu)，建立預(yù)測模型;最后利用該種預(yù)測模型檢測湮沒在海雜波背景下的小目標(biāo)信號。以加拿大McMaster實(shí)測的IPIX雷達(dá)數(shù)

2、據(jù)進(jìn)行實(shí)驗(yàn)，利用均方根誤差評價性能。實(shí)驗(yàn)結(jié)果表明，針對第54#海雜波數(shù)據(jù)，文章提出的深度信念網(wǎng)絡(luò)方法所預(yù)測的均方根誤差為0．016，與已有的選擇性支持向量機(jī)集成方法均方根誤差0．0264和K均值-有效極限學(xué)習(xí)機(jī)所得的均方根誤差0．0428相比，預(yù)測精度有所提高。關(guān)鍵詞:深度信念網(wǎng)絡(luò);海雜波;小目標(biāo)檢測中圖分類號:TP393．1文獻(xiàn)標(biāo)識碼:ADOI:10．19358/j．issn．1674-7720．2017．07．016引用格式:馮亮．海雜波背景下小目標(biāo)檢測的深度信念網(wǎng)絡(luò)方法［J］．微型機(jī)與應(yīng)用，2

3、017，36(7):53-55，66．SmalltargetdetectioninthebackgroundofseaclutterusingdeepbeliefnetworksFengLiang(CollegeofMathematics，PhysicsandInformationEngineering，ZhejiangNormalUniversity，Jinhua321004，China)Abstract:Withthedeeplearningtheory，thepaperputsforwarda

4、kindofsmalltargetdetectionmethodbyusingdeepbeliefnetworkinthebackgroundofseaclutter．Themethodisbasedonunsupervisedgreedytrainingoftheunlabeleddatalayer，sothateachlayerhasasuitableinitialvalue;thenadeepbeliefnetworkinitialmodelisbuilt，parametersofthewho

5、lenetworkareoptimizedthroughthelabeleddataforthemodelswitherrorback-propagationalgorithm，toestablishapredictionmodel;thepredictionmodelscandetectthesmalltargetsignalwhichburiedinseaclutter．AnexperimentwithIPIXradardatameasuredbyMcMasterCanadaiscarriedo

6、uttoevaluatetheperformanceofthemeth-od．Theexperimentalresultsshowthatforthe54#seaclutterdata，comparedtotherootmeansquareerroroftheselectivesupportvectorma-chineintegratedmethodwhichis0．0264andtherootmeansquareerroroftheK-meansclusteringeffectiveextreme

7、learningmachinewhichis0．0428，thepredictionaccuracyisimproved．Themethodcanachievethesmalltargetdetectionunderdifferentseaconditionseffectively．Keywords:deepbeliefnetworks;seaclutter;smalltargetdetection0引言號，提出基于復(fù)雜非線性系統(tǒng)相空間重構(gòu)理論，采用改進(jìn)［1］極限學(xué)習(xí)機(jī)(ELM)預(yù)測單步誤差檢測微弱

8、信號的方法;海雜波通常是指海洋表面的雷達(dá)后向散射回波，具有混沌特性［2］，利用該特性能有效檢測雷達(dá)回波是否含有文獻(xiàn)［9］基于復(fù)雜非線性系統(tǒng)相空間重構(gòu)理論，提出了一種混沌背景中微弱信號檢測的選擇性支持向量機(jī)集成的目標(biāo)信號。海雜波背景下小目標(biāo)檢測對提高海面監(jiān)測水［3］方法。平有重大意義。1995年，Haykin和Li結(jié)合混沌背景的1深度信念網(wǎng)絡(luò)原理先驗(yàn)知識，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了非線性預(yù)測模型，從預(yù)測［10］深度信念網(wǎng)絡(luò)(DeepBeliefNets，DBN)是2006年［4