tensorflow环境下的识别食物_【最新成果】一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法...

近年来，深度学习技术在各领域取得了巨大成功，如计算机视觉、自然语言处理、语音处理等。同样，在雷达目标识别领域，有学者通过不同的深度学习技术对于高分辨距离像进行目标识别，主流算法包括卷积神经网络、栈式自编码器、深度置信网络以及循环神经网络等。深度学习技术可以自动提取目标的深层特征，从而提高了目标识别的精确性。目前深度学习在雷达目标识别领域取得了较好的成果，但现有研究较少考虑到低信噪比情况下如何提高模型的抗噪声性能。

图1 高分辨距离像数据示意图

针对该问题，国防科技大学黎湘教授团队开展了对于低信噪比目标的识别研究，提出了一种在噪声环境下基于卷积神经网络的雷达高分辨率距离像数据识别方法，通过增强训练集和使用残差块、inception结构和降噪自编码层增强网络结构，实现了在较宽信噪比范围下的鲁棒识别，并分析了噪声对于模型的影响。该工作已在《雷达学报》 网络优先出版“一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法 ”(李玮杰，杨威，黎湘，刘永祥)。

图2 增强后的卷积神经网络结构图

该文使用的数据集为(图1)所示三类飞机的高分辨一维距离像，首先介绍了卷积神经网络模型，接着介绍了所使用的残差块、inception和降噪自编码器层各结构的构成和思路，最后利用(图2)所示的增强后的卷积神经网络结构与(图3)所示的经典的卷积神经网络结构在瑞利噪声和高斯白噪声环境下进行对比实验。实验结果表明，增强后的模型实现了在较宽信噪比范围下的鲁棒识别。 

图3 经典的卷积神经网络结构图

了解详细内容请点击下面 阅读原文。