毫米波雷达如何实现目标分类——神经网络基础

目录

一、前言

二、算法理论

三、激活函数

四、参数初始化

五、基本实现（matlab）

六、处理流程

---

一、前言

        毫米波雷达以高适应性低识别力著称，但选择适合的分类算法依然可以达到85%甚至95%以上的准确率。一般工程做选择距离信噪比经验公式来做类型判断；置信度通过信噪比（反射强度）、跟踪命中次数及丢失次数来计算。

        之前工程中看到SVM与NN相关分类准确度比较，NN超平面学习效果比SVM提高的多。NN在分类上仍少不了传统特征分析与选取，神经元个数，层数，激活函数、损失函数设计，学习率等参数的调整。本篇基于西瓜书matlab实现最基本的NN，特征的选择。

二、算法理论

BP网络及算法如下所示：

 5.3到5.17的公式可以根据南瓜书看具体推导，这里我们可以先只关注结论即可，误差逆传播算法如下：

三、激活函数

激活函数就是在原来的线性组合的基础上加上非线性函数，让模型的表达能力更强。

ReLU(Rectified Linear Unit) - 用于隐层神经元输出，Relu实质就是个取最大值的函数

f(x) = max(0,x)。

优点：

输入是负值的情况下，它会输出0，那么神经元就不会被激活。这意味着同一时间只有部分神经元会被激活，从而使得网络很稀疏，进而对计算来说是非常有效率的。

缺点：神经元很容易“死亡”，因此需要设置较小的学习率

 Sigmoid - 用于隐层神经元输出，对于二分类的神经网络来说，最后一层的激活函数一般都是sigmoid函数。

 

 x是输入量，w是权重，b是偏移量（bias），权重w使得sigmoid函数可以调整其倾斜程度（上下），偏移量b不会改变曲线大体形状（左右）

小结：对比sigmoid类函数主要变化是&