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

ID:49227661

大?。?.52 MB

頁數(shù):4頁

時間:2020-02-28

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_第1頁
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_第2頁
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_第3頁
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_第4頁
資源描述:

《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

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費(fèi)完成后未能成功下載的用戶請聯(lián)系客服處理。