-
公开(公告)号：CN107766893A
公开(公告)日：2018-03-06
申请号：CN201711067951.0
申请日：2017-11-03
Applicant: 电子科技大学
CPC classification number: G06K9/6227 , G06K9/6256 , G06N3/08
Abstract: 本发明属于目标识别领域，具体的说是涉及一种基于标签多级编码神经网络目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据；其次对样本数据的标签做离散编码；然后分别利用MLP和CNN分别以两种目标标记方式进行训练，采用随机梯度下降法来训练神经网络，并进行超参数微调；训练S步后得到预测模型，并利用预测模型对待识别样本进行目标识别。本发明方法提供了精确度。
-
公开(公告)号：CN107870321B
公开(公告)日：2020-12-29
申请号：CN201711067556.2
申请日：2017-11-03
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明属于雷达目标识别领域，尤其涉及一种基于伪标签学习的雷达一维距离像目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据，并对样本数据的标签做离散编码；然后利用CNN分别以两种目标标记方式进行训练得到预测模型，利用预测模型对待识别样本进行识别获得伪标签，对伪标签进行多级编码；并将待识别数据和伪标签一同作为训练数据重新训练，获得新的预测模型，以此作为最终的目标识别模型。
-
公开(公告)号：CN107870321A
公开(公告)日：2018-04-03
申请号：CN201711067556.2
申请日：2017-11-03
Applicant: 电子科技大学
IPC: G01S7/41
CPC classification number: G01S7/417
Abstract: 本发明属于雷达目标识别领域，尤其涉及一种基于伪标签学习的雷达一维距离像目标识别方法。本发明的技术方案为：首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据，并对样本数据的标签做离散编码；然后利用CNN分别以两种目标标记方式进行训练得到预测模型，利用预测模型对待识别样本进行识别获得伪标签，对伪标签进行多级编码；并将待识别数据和伪标签一同作为训练数据重新训练，获得新的预测模型，以此作为最终的目标识别模型。
-
公开(公告)号：CN107784320A
公开(公告)日：2018-03-09
申请号：CN201710889757.4
申请日：2017-09-27
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，尤其涉及一种基于级联卷积神经网络和支持向量机的雷达一维距离目标识别方法，具体方案为：首先，对雷达目标后向散射仿真软件获取的一维距离像进行随机距离扰动、扩展及加噪声处理，并将其作为原始特征；其次，对样本数据的标签做one-hot编码；然后，利用深度学习的方法，使用级联卷积神经网络再结合支持向量机来构建级联卷积支持向量机，采用随机梯度下降法来训练网络C_CNN提取高阶参数；随后，利用带标签样本数据对级联卷积支持向量机CCNN_SVM进行参数微调；最后，利用该级联卷积支持向量机网络训练得到参数模型，并对待识别样本进行识别分类。本发明方法卷积神经网络的正确识别率达到92.34％，深度卷积支持向量机的正确识别率达到95.59％。
-
公开(公告)号：CN107463966B
公开(公告)日：2019-06-18
申请号：CN201710705891.4
申请日：2017-08-17
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于双深度神经网络的雷达一维距离像目标识别方法。本发明的方法首先对目标的一维距离像数据进行随机距离扰动、样本扩展、加噪声等预处理操作，以增强识别系统的鲁棒性；随后结合深度学习理论，提出了具有自适应性学习率的双深度神经网络(DDNN)，对其进行无监督预训练和有监督微调，得到DDNN模型参数；然后利用DDNN对各测试样本进行预识别，得到各样本在两个子网络中的预识别结果；最后根据预识别结果，利用改进的DS证据理论对其进行时空多级决策融合，并得到目标识别结果。
-
Patent Agency Ranking
公开(公告)号：CN108053842A
公开(公告)日：2018-05-18
申请号：CN201711330638.1
申请日：2017-12-13
Applicant: 电子科技大学
Abstract: 本发明属于语音检测领域，尤其基于图像识别的短波语音端点检测方法。本发明的技术方案为：首先对数据进行预处理，提高信噪比；然后按特定长度分帧，同时进行短时傅里叶变换，从而得到语谱图；最后使用图像识别方法寻找语谱图中的声纹，依据声纹分布确定数据中有话段。采用本发明方法在预处理后的语音具有相似信噪比，后续步骤不需要调节参数，因此，本发明方法可以从不同背景噪声中自适应地选取有话段。
-
公开(公告)号：CN107194433A
公开(公告)日：2017-09-22
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
公开(公告)号：CN107194433B
公开(公告)日：2019-09-13
申请号：CN201710446883.2
申请日：2017-06-14
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度自编码网络的雷达一维距离像目标识别方法。本发明首先将目标一维距离像转换到频域进行预处理，通过对频域样本数据进行加噪处理，将每个样本随机选择某些特征强置为0或1，可减少高维数据输入时数据缺失和异常干扰的影响。随后通过构建一个深度自编码网络，提取样本的高层特征表达，并将各层特征进行融合拼接。然后利用ReliefF算法和相关性度量方法剔除高维拼接特征中的分类无关特征和冗余特征。最后考虑到AdaBoost集成化学习方法可以有效提高任意弱分类器的精度，本发明以三层BP神经网络作为弱分类器，并使用AdaBoost‑BP算法进行目标分类器训练，从而有效地提升系统目标识别率。
-
公开(公告)号：CN107657243B
公开(公告)日：2019-07-02
申请号：CN201710939169.7
申请日：2017-10-11
Applicant: 电子科技大学
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于遗传算法优化的神经网络雷达一维距离像目标识别方法。本发明的方法首先通过对原始一维距离像进行选择和截断等预处理操作；其次，采用时段原则对数据集进行划分，同时对训练集中各目标进行二次等量随机抽取，获得两个同构训练子集；接着，本发明提出了神经网络与遗传算法双向优化的方法，利用训练网络在不同迭代次数时所产生的网络参数，初始化一定数目的染色体；然后，采用遗传算法对染色体进行交叉变异等操作；随后，根据所选最优染色体对新的神经网络识别系统赋初值，选择新的训练子集作为网络输入，采用随机梯度下降法对网络进行训练，加快了训练网络的收敛速度，同时提升了一定的识别率。
-
公开(公告)号：CN107132516B
公开(公告)日：2019-04-12
申请号：CN201710346971.5
申请日：2017-05-16
Applicant: 电子科技大学
IPC: G01S7/41
Abstract: 本发明属于雷达技术领域，具体的说是涉及一种基于深度置信网络的雷达一维距离像目标识别方法。本发明将目标一维距离像的频域特征和子空间特征合并，构成的新特征矢量被作为输入数据对网络进行训练及识别，该合并特征矢量对样本信息进行了扩充有利于提高模型精度。构造的含三层隐含层的深度置信网络，其每一层输入都由前两层的输出并联而成，该结构可以使得学习到的网络参数并不独立依赖于当前层次而是取决于不同层次的特征信息，进一步提高输出特征对原始信息的表达能力，提高了识别率。并以此模型对5类仿真飞机目标一维距离像数据进行了识别测试，正确识别率达到92％。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
