針對傳統(tǒng)的空間錐體目標(biāo)微動(dòng)分類需人工構(gòu)造、提取特征而缺乏通用性、智能性及在強(qiáng)噪聲條件下分類性能差等問題,提出一種卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)新模型。該網(wǎng)絡(luò)將殘差網(wǎng)絡(luò)、Inception網(wǎng)絡(luò)及雙向長短期記憶網(wǎng)絡(luò)融合成一體化網(wǎng)絡(luò),通過增加網(wǎng)絡(luò)的深度和寬度來挖掘更高維度的抽象特征以提升網(wǎng)絡(luò)的分類準(zhǔn)確率,而雙向長短期記憶網(wǎng)絡(luò)的推理能力能提高網(wǎng)絡(luò)的容錯(cuò)性,時(shí)序分類的優(yōu)勢,以及殘差網(wǎng)絡(luò)跳躍式的旁路支線結(jié)構(gòu)還能減少參數(shù)冗余,加快網(wǎng)絡(luò)訓(xùn)練速度。仿真結(jié)果表明,該網(wǎng)絡(luò)模型不僅能實(shí)現(xiàn)更快速的智能分類,同時(shí)比ResNet-18、GoogLeNet模型的精度分別提高5%、4%,驗(yàn)證了該模型的有效性和泛化能力。

【文章頁數(shù)】：8 頁

【文章目錄】：
1 微動(dòng)建模與分析
    1.1 等效散射點(diǎn)微多普勒分析
    1.2 微動(dòng)形式分析
        1.2.1 自旋
        1.2.2 進(jìn)動(dòng)與章動(dòng)
2 網(wǎng)絡(luò)模型的搭建及數(shù)據(jù)集的構(gòu)建
    2.1 網(wǎng)路模型
        2.1.1 網(wǎng)絡(luò)分析
        2.1.2 文中網(wǎng)絡(luò)
    2.2 構(gòu)建數(shù)據(jù)集
3 實(shí)驗(yàn)結(jié)果與分析
4 結(jié)束語



本文編號：3796346