文中提出一種基于CGAN和GcForest的軍事目標(biāo)識(shí)別方法,通過構(gòu)建CGAN對軍事目標(biāo)樣本進(jìn)行擴(kuò)展和質(zhì)量提升。進(jìn)而基于啟發(fā)式學(xué)習(xí)進(jìn)行抽樣迭代,構(gòu)建有效的樣本訓(xùn)練集。在高質(zhì)量訓(xùn)練集的基礎(chǔ)上,通過Gc Forest進(jìn)行有監(jiān)督的學(xué)習(xí),最終得到軍事目標(biāo)識(shí)別的分類網(wǎng)絡(luò)模型。文中所提方法相對于CNN、KNN、SVM等方法,在目標(biāo)樣本識(shí)別整體準(zhǔn)確率上高出7. 80%～75. 27%,同時(shí)在不同小規(guī)模樣本的條件下整體準(zhǔn)確度高出29. 21%～67. 50%。 

【文章來源】：信息技術(shù). 2020,44(03)

【文章頁數(shù)】：5 頁

【部分圖文】：

CGAN結(jié)構(gòu)原理圖

然而，針對鑒別器的預(yù)測結(jié)果，生成器需要對梯度更新方向進(jìn)行調(diào)整。當(dāng)鑒別器認(rèn)為G(z|y)輸出為噪聲數(shù)據(jù)和真實(shí)數(shù)據(jù)時(shí)，梯度更新方向需發(fā)生改變。即最終的損失函數(shù)為:其中，表示判別模型的預(yù)測類別，對預(yù)測概率取整，為0或者1。用于更改梯度方向，闕值通常情況下設(shè)定為0.5。

若輸入圖片類型為真實(shí)樣本，則將鑒別器的輸入數(shù)據(jù)label置為1;若輸入圖片類型為模擬樣本，則將鑒別器的輸入數(shù)據(jù)label置為0。鑒別器的主要作用是對真實(shí)數(shù)據(jù)和模擬生成的數(shù)據(jù)進(jìn)行區(qū)分。此時(shí)，可以將CGAN鑒別器視為一個(gè)包含CNN網(wǎng)絡(luò)的二分類模型。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖3所示。判別模型的損失函數(shù)為:

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)優(yōu)化算法研究[J]. 仝衛(wèi)國,李敏霞,張一可.  計(jì)算機(jī)科學(xué). 2018(S2)
[2]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)
[3]基于隨機(jī)森林的特征選擇算法[J]. 姚登舉,楊靜,詹曉娟.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2014(01)
[4]一種基于啟發(fā)式輪廓表的邏輯強(qiáng)化學(xué)習(xí)方法[J]. 劉全,高陽,陳道蓄,孫吉貴,姚望舒.  計(jì)算機(jī)研究與發(fā)展. 2008(11)



本文編號(hào)：3585246