本文關(guān)鍵詞：基于深度神經(jīng)網(wǎng)絡的人車分類算法

  更多相關(guān)文章： 微多普勒 神經(jīng)網(wǎng)絡 表征學習 自編碼器 卷積神經(jīng)網(wǎng)絡

【摘要】：微運動所導致的雷達回波微多普勒效應被發(fā)現(xiàn)之后,雷達目標分類識別又增加了新的信息來源,使得可以通過信號處理的手段從雷達回波信號中提取出表征目標微動部件運動情況的時頻譜圖,而這些信息是很難從距離向或者方位向單一維度中的雷達回波中獲取的。行人與車輛的自動識別在窄帶地面監(jiān)視雷達信號處理方面具有廣泛的應用需求,具有目標識別能力的地面監(jiān)視雷達可以顯著提高軍事裝備的自動化程度,排除操作員的人為誤差,為正確的軍事決策提供支持。本文結(jié)合實際應用需求,詳細分析了行人與車輛的多普勒特性的差異性,利用神經(jīng)網(wǎng)絡等智能信號處理方法,對基于微多普勒的目標檢測與分類技術(shù)進行了系統(tǒng)的研究,所取得的研究成果為:(1)對基于線性調(diào)頻連續(xù)波體制的雷達信號處理以及微多普勒特征的提取方法進行了研究。研究討論了多周期信號模型與差拍信號的頻率響應特性,為后續(xù)的信號處理提供理論支撐。針對人車分類的回波信號預處理問題,指出需要在雜波抑制的同時,還需最大限度的保留信號中微多普勒分量,研究了基于CLEAN算法來抑制雜波,增大目標的信噪比。同時重點研究了微多普勒的數(shù)學模型,分析比較了行人與慢速車輛在微多普勒譜上的差異性,表明基于微多普勒譜進行目標分類的可行性。(2)深入研究了神經(jīng)網(wǎng)絡算法。詳細推導了用于訓練神經(jīng)網(wǎng)絡的后向傳播算法,并討論了超強的大型神經(jīng)網(wǎng)絡模型的表征能力,以及由此所帶來的過擬合問題,并討論了相應的解決辦法——規(guī)則化方法。接著,由普通神經(jīng)網(wǎng)絡發(fā)展到自編碼神經(jīng)網(wǎng)絡和稀疏自編碼器神經(jīng)網(wǎng)絡,以及它們的訓練算法。然后,論述了它們所能夠進行的表征學習的概念以及優(yōu)越性。同時,還研究了深度神經(jīng)網(wǎng)絡中經(jīng)常用到的卷積神經(jīng)網(wǎng)絡的概念以及數(shù)學模型。在人車微多普勒譜圖的分類問題上,提出基于稀疏自編碼器與卷積神經(jīng)網(wǎng)絡的行人與車輛自動分類方法,該方法可以在沒有人工參與的情況下,完成特征學習以及目標分類。(3)深入研究了訓練神經(jīng)網(wǎng)絡所需的非約束問題優(yōu)化方法。推導了包括最速下降法、牛頓法、擬牛頓法的理論依據(jù),并進行了仿真測試,明確了它們的應用范圍以及優(yōu)缺點,為快速的訓練本文所述算法提供理論指導。(4)與傳統(tǒng)上雷達目標識別算法依賴于人工提取特征或復雜的先驗信息不同,本文提出了一種新的基于特征自提取的地面慢速目標窄帶雷達分類識別算法。同時,本文詳細的分析了如何將稀疏自編碼器應用于時頻譜圖的具體方法,包括數(shù)據(jù)的歸一化與數(shù)據(jù)白化處理,如何將稀疏自編碼器與卷積神經(jīng)網(wǎng)絡進行聯(lián)系,最終實現(xiàn)地面慢速目標的分類識別。并通過實測數(shù)據(jù)處理實驗證明了本文所提出的新算法可以有效地實現(xiàn)行人與車輛的自動分類。
【關(guān)鍵詞】：微多普勒 神經(jīng)網(wǎng)絡 表征學習 自編碼器 卷積神經(jīng)網(wǎng)絡
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN957.51;TP183
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 符號對照表12-13
• 縮略語對照表13-16
• 第一章 緒論16-20
• 1.1 研究背景與意義16-17
• 1.2 國內(nèi)外研究現(xiàn)狀17-19
• 1.3 論文內(nèi)容安排19-20
• 第二章 連續(xù)波雷達目標回波信號建模20-30
• 2.1 三角線性調(diào)頻連續(xù)波20-23
• 2.1.1 多周期信號模型20-22
• 2.1.2 差拍信號頻譜響應特性22-23
• 2.2 線性調(diào)頻連續(xù)波雷達回波信號預處理23-25
• 2.2.1 脈沖對消動目標顯示23-24
• 2.2.2 CLEAN算法24-25
• 2.3 微多普勒的數(shù)學模型25-30
• 第三章 稀疏自編碼器與卷積神經(jīng)網(wǎng)絡30-50
• 3.1 神經(jīng)網(wǎng)絡30-41
• 3.1.1 人工神經(jīng)元31-32
• 3.1.2 多層神經(jīng)網(wǎng)絡32-35
• 3.1.3 后向傳播算法35-36
• 3.1.4 批梯度下降與隨機梯度下降36-37
• 3.1.5 規(guī)則化37-41
• 3.2 表征學習41-43
• 3.3 自編碼器43-46
• 3.3.1 規(guī)則化的自編碼算法44-45
• 3.3.2 稀疏自編碼器45-46
• 3.4 卷積神經(jīng)網(wǎng)絡46-50
• 3.4.1 圖像卷積46-48
• 3.4.2 池化48-50
• 第四章 基于深度神經(jīng)網(wǎng)絡的人車分類方法50-70
• 4.1 數(shù)值優(yōu)化算法50-57
• 4.1.1 最速下降法51-52
• 4.1.2 牛頓法52-54
• 4.1.3 BFGS54-56
• 4.1.4 L-BFGS56-57
• 4.2 人車分類算法57-62
• 4.2.1 數(shù)據(jù)預處理57-59
• 4.2.2 訓練稀疏自編碼器59-60
• 4.2.3 卷積、池化與分類60-61
• 4.2.4 算法流程61-62
• 4.3 實驗設置及算法仿真62-70
• 4.3.1 實驗設置及結(jié)果62-64
• 4.3.2 算法性能分析64-70
• 第五章 總結(jié)與展望70-72
• 5.1 工作結(jié)論70-71
• 5.2 研究展望71-72
• 參考文獻72-76
• 致謝76-78
• 作者簡介78-79

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 李開明;張群;梁必帥;羅迎;楊小優(yōu);;卡車目標遮擋效應建模及微多普勒特征分析[J];電子與信息學報;2013年09期

2 李彥兵;杜蘭;劉宏偉;王寶帥;;基于微多普勒效應和多級小波分解的輪式履帶式車輛分類研究[J];電子與信息學報;2013年04期

3 趙會寧;賀思三;馮存前;;基于運動捕獲文件的人體微多普勒信號仿真[J];計算機應用研究;2012年07期

4 李彥兵;杜蘭;劉宏偉;丁蘇穎;關(guān)永勝;;基于微多普勒特征的地面目標分類[J];電子與信息學報;2010年12期

5 張翼;邱兆坤;朱玉鵬;黎湘;;基于微多普勒特征的人體步態(tài)參數(shù)估計[J];信號處理;2010年06期

6 李斌;張冠杰;;場面監(jiān)視雷達技術(shù)發(fā)展綜述[J];火控雷達技術(shù);2010年02期

7 孫慧霞;劉崢;薛寧;;自旋進動目標的微多普勒特征分析[J];系統(tǒng)工程與電子技術(shù);2009年02期

8 楊建宇,凌太兵,賀峻;LFMCW雷達運動目標檢測與距離速度去耦合[J];電子與信息學報;2004年02期

，

本文編號：748008