检索结果-南通市图书馆

检索条件"主题词=海面目标分类"

共 3 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：

基于多特征的海面小目标检测和分类研究

基于多特征的海面小目标检测和分类研究

引用

作者：刘子鹏南京邮电大学

学位级别：硕士

随着雷达侦测技术的不断提高与其应用领域的不断扩展和延伸,雷达目标检测算法的精度也随之提高。海杂波由于其无规律、无序的特点,使得海洋信号也具有非线性、非平稳和非高斯的特性,从而导致了常规的函数模型无法拟合实际的海杂波信号... 详细信息

随着雷达侦测技术的不断提高与其应用领域的不断扩展和延伸,雷达目标检测算法的精度也随之提高。海杂波由于其无规律、无序的特点,使得海洋信号也具有非线性、非平稳和非高斯的特性,从而导致了常规的函数模型无法拟合实际的海杂波信号。建立合适函数模型的方法在处理高海况时不理想的表现,让众多学者开始利用信号处理的手段来提取特征,用以描述海杂波在某个或多个角度下的特征,进而提出优秀的基于特征的海面目标检测算法。与此同时,随着机器学习技术的发展,越来越多的学者融合了机器学习算法对海杂波和目标进行智能化的处理和研究。本文旨在研究实测雷达数据在多种角度下的特征,提出行之有效的海面目标检测算法以及分类方法。首先,从时频分析的角度切入,采用经验模态分解(Empirical Mode Decomposition,EMD)分解对实测数据进行分解和特征分析,根据检测理论完成海面小目标的检测。同时,提取有效特征,并提出分类算法来完成海杂波和目标的分类。本文的研究内容概况如下:首先,介绍了所采取的EMD分解的定义以及EMD的性质和特点,并根据实测雷达回波数据完成分解流程。同时,利用实测数据的结果分析了EMD分解在处理非线性非平稳的复杂海杂波信号时的优势和缺点。接着,利用EMD分解得到固有模态函数(Intrinsic Mode Function,IMF)分量加以提取能量占比特征,以此特征作为检测统计量完成海面小目标检测。分别建立IMF分量与接收回波数据的相关系数,并利用平均均值-标准差之比作为筛选IMF分量的准则,来自动筛选出能量较大且波动平稳的低阶IMF分量。提取IMF分量在原始信号中的平均能量占比作为特征,进行海面目标异常检测,并与相关检测算法对比。然后从多角度提取特征,融合多特征,并作特征展示与分析。通过分析Krogager极化分解,提取球体、双平面和螺旋散射的相对功率作为研究的特征,接着又从时域以及频域的角度提取相对平均幅度特征、非广延熵等特征。对比分析海杂波和目标回波之间的区别。最后,利用所提取的特征,提出一种样本不平衡下的多特征联合的分类方法。为了解决样本不平衡以及特征混叠的问题,设计了一种K均值和支持向量机结合的分类器。该分类器主要通过将海杂波样本进行K均值动态聚类,将原本属于一类的海杂波样本分成多类,然后再将多类海杂波样本与目标样本进行支持向量机(Support Vector Machines,SVM)分类。该方法可有效进行海杂波和目标的分类。

关键词：海杂波海面目标检测海面目标分类 EMD分解支持向量机

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

基于特征和深度学习的海面漂浮目标的检测与分类

基于特征和深度学习的海面漂浮目标的检测与分类

引用

作者：郭亚星南京邮电大学

学位级别：硕士

本文研究的重点是海面目标检测和分类,在进行海面漂浮目标检测时,海面杂波是一个重要的干扰因素。由于海杂波的非平稳、非高斯、非均匀等特性,传统的基于统计模型的检测方法遭遇性能瓶颈。随着领域研究的不断深入,基于特征的检测和分类... 详细信息

本文研究的重点是海面目标检测和分类,在进行海面漂浮目标检测时,海面杂波是一个重要的干扰因素。由于海杂波的非平稳、非高斯、非均匀等特性,传统的基于统计模型的检测方法遭遇性能瓶颈。随着领域研究的不断深入,基于特征的检测和分类方法被用于海面目标检测。但是特征提取的方式具有一定的主观性和有限性,越来越多的学者将深度学习的技术引入本领域。本文基于深度学习技术,采用递归图(Recurrence Plots,RP)、卷积神经网络(Convolutional Neural Network,CNN)和生成对抗网络(Generative Adversarial Network,GAN)来进行海面目标的检测和分类。本文的研究概况如下:(1)介绍了递归图的构建过程,嵌入时延和嵌入维度的选取方法,以及生成的递归图数据集的规格。分析了目标递归图和杂波递归图之间的差异性。(2)介绍了卷积神经网络中卷积层、池化层、全连接层的工作原理,以及本文所用Le Net-5的网络结构。(3)基于递归图能很好地描述动态系统以及卷积神经网络在图像分类方面的优越性能,本文将递归图和卷积神经网络进行结合,提出了RPs-CNN分类器的结构,设计了RPs-CNN分类器的实验方案,介绍了七个分类性能评价指标,从递归图的参数和网络的参数两个大方向进行了实验,确定了最佳的递归图的时间序列长度、嵌入维度、嵌入时延、卷积核尺寸、卷积核深度、优化函数等实验参数。最后根据网络判别层的输出,实现了虚警可控的RPsCNN,并与经典算法进行了性能对比。实验结果表明,RPs-CNN的海面目标检测和分类方法在性能上优于传统的基于统计模型和特征的方法。(4)雷达回波数据中目标数据和海杂波数据的数据量悬殊较大。样本不平衡会导致偏向性问题、精度问题、泛化问题等一系列问题。为了解决上述问题,本文提出了解决由于海杂波样本数据不平衡所引发问题的思路,在RPs-CNN的基础上,引入了生成对抗网络GAN来对少数样本进行生成,从而解决由于样本不平衡而导致的分类性能较弱的问题。实验结果显示,基于递归图和卷积神经网络的海面目标检测和分类方法在性能上优于传统的基于统计模型和特征的方法。在解决海杂波样本数据不平衡所带来的问题上,引入对抗生成网络GAN进行少数类样本的生成,性能表现更好。本文提出的方法为海面目标检测和分类领域的研究提供了新的思路和方法,具有广泛的应用前景。

关键词：海杂波海面目标检测海面目标分类卷积神经网络生成对抗网络

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

基于图特征的海面小目标检测和分类研究

基于图特征的海面小目标检测和分类研究

引用

作者：姚婷婷南京邮电大学

学位级别：硕士

雷达海面目标检测无论是在军事上还是在民用上都有着举足轻重的意义,由于海洋环境的复杂性以及海杂波的不确定性,给海面漂浮小目标的检测带来一定的挑战。根据海杂波特性进行函数建模的传统统计学目标检测方法,会遇到高虚警、检测性能... 详细信息

雷达海面目标检测无论是在军事上还是在民用上都有着举足轻重的意义,由于海洋环境的复杂性以及海杂波的不确定性,给海面漂浮小目标的检测带来一定的挑战。根据海杂波特性进行函数建模的传统统计学目标检测方法,会遇到高虚警、检测性能受损等问题。随着信号处理技术的发展,通过提取不同特征的方法来检测目标,并且图拓扑结构在生物基因、图像处理、大数据等领域的应用,利用图拓扑结构的特性与海杂波的非线性、非高斯、非平稳的特性,提取基于图域特征的海面小目标检测算法。近些年,深度学习技术的快速发展,众多学者将深度学习引入到海杂波与目标的分类研究中。本文探索图拓扑结构特性并提取不同的特征,讨论了图域特征的海面小目标检测与分类研究的有效性。在分析海杂波特性与图拓扑结构的基础上,对雷达回波数据关联性与连通密度进一步研究,分别提出图拉普拉斯矩阵最大特征值与图熵作为海面目标检测特征,进行特征分析并完成海面目标检测,并将图拓扑结构与卷积神经网络结合,提出海杂波与目标的分类算法。本文的研究内容概况如下:(1)介绍了图拓扑结构的定义以及数据间的联系与特点,并通过实测数据预处理后,根据数据的关联性得到的图连通密度,建立图拓扑结构并生成邻接矩阵,分析了杂波数据的图拓扑结构与目标数据图拓扑结构之间差异性,并为下文中图的特征提取与分类奠定基础。(2)探索雷达回波数据频域幅度间的关联性以及连通密度,减少回波能量损失。首先根据图谱理论,利用邻接矩阵构造度矩阵进而得到拉普拉斯矩阵。然后根据图拉普拉斯矩阵特征值之间的关系,提取图拉普拉斯矩阵的最大特征值作为目标检测特征,完成海面目标检测。最后,实验结果与现有的一些特征算法相比,我们所提出的图拉普拉斯矩阵最大特征值具有更优越的检测性能和更小的计算复杂度。(3)根据邻接矩阵的数据分布,杂波数据与目标数据呈现的聚集性与孤立点来实现目标检测。将邻接矩阵中去孤立点后,形成新的向量,计算其熵,提出基于图熵的海面目标检测方法。同时,将图熵检测方法与不同域的熵特征检测方法进行对比,其检测性能具有明显的提升。(4)进一步将图拓扑结构与深度学习中的卷积神经网络(Convolutional Neural Networks,CNN)结合,提出一种基于卷积神经网络的海面目标图分类方法。将邻接矩阵构建的图进行模型训练,通过各种指标的分析,验证了利用CNN对海面目标图分类的有效性,并与其它的机器学习方法对比,实验结果表明,该方法能够更好的将海杂波与目标分类。

关键词：海杂波海面目标检测海面目标分类图连通密度卷积神经网络

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

在线全文

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

在线全文

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：