《基于卷积神经网络的海上微动目标检测与分类方法》PDF+DOC
作者:苏宁远,陈小龙,关键,牟效乾,刘宁波
单位:中国科学院电子学研究所;中国雷达行业协会
出版:《雷达学报》2018年第05期
页数:10页 (PDF与DOC格式可能不同)
PDF编号:PDFLDAX2018050050
DOC编号:DOCLDAX2018050059
下载格式:PDF + Word/doc 文字可复制、可编辑
《高分辨稀疏表示及其在雷达动目标检测中的应用》PDF+DOC2017年第03期 陈小龙,关键,何友,于晓涵
《基于短时稀疏时频分布的雷达目标微动特征提取及检测方法》PDF+DOC2017年第05期 陈小龙,关键,于晓涵,何友
《雷达海上目标双通道卷积神经网络特征融合智能检测方法》PDF+DOC2019年第10期 苏宁远,陈小龙,陈宝欣,关键
《采用卷积神经网络的海面多目标检测研究》PDF+DOC2018年第09期 楼奇哲,刘乐,姚元
《海杂波背景下基于RBF神经网络的目标检测》PDF+DOC2005年第05期 陈瑛,罗鹏飞
《韦布尔杂波下非参数量化秩检测器的性能》PDF+DOC2009年第09期 孟祥伟
《基于全连接神经网络的雷达目标航迹识别》PDF+DOC2019年第03期 冯诀宵,樊玉琦
《杂波图CFAR平面技术在均匀背景中的性能》PDF+DOC1999年第03期 何友,刘永,孟祥伟
《X波段雷达实测海杂波的特性分析》PDF+DOC2012年第06期 杨永生,张宗杰
《非高斯杂波下分置天线MIMO雷达的动目标检测》PDF+DOC2011年第02期 汪霜玲,何茜,何子述
该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。