检索结果-南通市图书馆

检索条件"主题词=模型分裂与桥接"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

雷达高分辨距离像目标识别持续学习方法研究

雷达高分辨距离像目标识别持续学习方法研究

引用

作者：周波玉西安电子科技大学

学位级别：硕士

随着高科技战争概念的不断深化,雷达自动目标识别技术(RATR)逐渐成为雷达领域的研究热点。与其它形式的雷达信号相比,高分辨距离像(HRRP)具有获取容易、处理简单、信息丰富的优点,已被广泛应用于各类RATR任务中。随着深度学习理论研究... 详细信息

随着高科技战争概念的不断深化,雷达自动目标识别技术(RATR)逐渐成为雷达领域的研究热点。与其它形式的雷达信号相比,高分辨距离像(HRRP)具有获取容易、处理简单、信息丰富的优点,已被广泛应用于各类RATR任务中。随着深度学习理论研究的不断深入,使用深度神经网络进行目标识别逐渐成为HRRP识别领域的主流方法。众所周知,训练深度神经网络需要有完备的数据集支撑,然而在实际当中,想要提前获取充足的非合作目标HRRP数据存在极大难度。为此,希望识别网络能够及时利用雷达在工作中获取的新数据实时学习新目标、新样本的特征,进而获取对其识别的能力。在此过程中,若直接使用新数据更新识别网络,会引起网络参数快速变化,使得更新后的网络不再匹配先前的训练集,从而导致整体识别性能下降,即所谓的灾难性遗忘现象。为缓解该问题,人们提出了持续学习方法,使得模型能在学习新数据特征的同时,尽可能地保留对先前数据的识别能力。本文研究了基于持续学习的HRRP目标识别方法,主要工作内容有:(1)针对目标HRRP训练集姿态或域非完备的应用场景,提出了一种基于最佳相关性映射分类器的持续条件卷积(CCORMC)持续学习方法。该方法基于参数隔离策略,通过为模型的特征提取器扩充新任务专属的条件卷积结构,不仅增加了模型对目标新姿态的识别能力,而且完全保留了其对已学习目标姿态的识别能力;同时对模型的分类器附加多重相关性映射掩码来提高参数利用率,缓解了结构扩展导致的空间资源占用多问题。此外,充分利用雷达获取到的信息自动推理任务标签,使模型能够自动选择只与当前任务对应的参数参与计算并迭代更新,满足了掩码对任务标签的约束。实验结果表明所提方法有效改善了域扩充场景下的持续学习性能。(2)针对目标HRRP训练集型号或类别非完备的应用场景,提出了一种基于贪婪替换的模型分裂与桥接(Sa B-greedy)持续学习方法。对于模型持续学习新型号样本与重放旧型号样本的过程互相影响的问题,采用动态架构与样本重放策略,通过模型结构的分裂,分离式地学习新型号目标样本知识并巩固旧型号目标样本知识;同时,为了解决模型核心样本集代表性不足导致识别率下降的问题,利用基于梯度的贪婪替换策略构建重放核心样本集,充分表征各个类别目标样本的真实特征分布,并辅以适当的重采样策略缓解各类别样本不均衡问题。实验结果表明所提方法有效提高了类别扩充场景下模型的识别精度和稳定性。

关键词：雷达目标识别持续学习条件卷积最佳相关性映射模型分裂与桥接贪婪替换

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：