神经网络发展探析

主要介绍神经网络近期新发展,扼要阐述其原理、结构、模型、算法、特性、应用前景及发展现状与趋势。     

最大隶属原则在无人机情报识别中的应用

本文分析战场目标特征,探讨影响无人机照相侦察能力的因素,提出用最大隶属原则识别无人机侦察情报的方法。通过仿真举例,验证这种方法的有效性和可行性。     

基于多特征联合稀疏表示的SAR舰船目标识别方法

针对合成孔径雷达(Synthetic aperture radar,SAR)图像舰船目标识别问题,提出一种基于多特征联合稀疏表示的方法。分别采用几何尺寸特征矢量、主成分分析(Principal component analysis,PCA)和核主成分分析(Kernel PCA,KPCA)特征矢量描述SAR舰船目标的特性,基于以上特征,采用联合稀疏表示进行分类。根据散射特征的重构误差之和对测试样本的目标类别进行决策。实验中,采用RADARSAT-2 4类典型舰船目标的SAR图像进行性能测试。结果表明,此方法在标准操作条件下可以取得92.5%的平均识别率,高于现有的几类对比方法。另外,此方法在噪声干扰以及少量训练样本的条件下也能保持更强的稳健性,获得优于现有方法的性能。     

基于HHM的军事演习风险识别

军事演习风险对军事演习的安全顺利进行有很大的影响。有效控制演习风险,首先需要全面、系统地识别出军事演习中存在的风险因素。本文在给出军事演习风险定义的基础上,运用等级全息模型(hierarchical holographic modeling,HHM)~([1])的思想和方法建立HHM风险识别模型,对军事演习中存在的风险进行分析和识别,有助于提升军事演习风险识别的准确性和全面性,为军事演习风险的评估和控制打下坚实的基础,对军事演习的安全进行和军事训练水平的提升具有重要意义。     

基于统计特性的舰船一维距离像方位角分帧方法

舰船目标一维距离像的方位敏感性是利用一维距离像开展雷达目标识别的难点问题。针对该问题,首先根据舰船目标一维成像的机理和特点,分析并验证了舰船目标一维距离像复高斯分布的统计特性;然后,在此基础上利用K-S假设检验对距离像方位角进行自适应分帧,使得每帧的距离像数据符合同一复高斯分布,而帧帧之间的数据符合不同分布;最后,针对分帧后距离像数据的统计分布,利用Bayes分类器进行5类舰船目标识别实验。实验结果表明:自适应分帧算法不仅提高了舰船目标的识别率,还能显著降低识别运算量和存储量。     

基于CNN的视频火焰识别及模型剪枝

针对目前火焰识别仅用单帧图像判断是否起火准确率低的缺点,引入视频识别的方法,通过提取火焰的运动信息提升卷积神经网络(CNN)识别微小火焰的准确率。首先,在CNN Resnet18的最后一层添加3D卷积层,突出火焰的运动特性,抑制其他形式的运动;然后,对该模型进行剪枝处理,压缩网络参数。实验结果表明:在剪去90%卷积核的情况下,该模型准确率仍然保持在86.4%的较高水平,最小可以识别大小为20×30像素的火焰。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。