隨著社會的發(fā)展,科技的進步,信息化程度加深,人們生活中不斷產生著蘊含著大量信息的數據,但同時也存在著更多地冗余信息。研究如何從海量的數據中快速的提取出所需要的有價值信息,并應用于不同的任務,這無論對于國防或者民生領域,都具有重大意義和作用。但是,實際應用中的數據不僅形式多樣,結構復雜,變化性強,并且特別“大”,即不光數量大,而且維度高。在這種情況下,對于這種大數據的高效特征學習的問題極具挑戰(zhàn)。最近,深度學習在很多與人們生活息息相關領域的任務中都有著非常驚人的表現(xiàn),甚至超過了人類的表現(xiàn)。對于數量巨大的高維數據,深層模型可以層次化的學習數據中的潛在特征,并將數據特征更加精細的分層的表示出。也正是這種層次化的特征表示,使得深層模型很適合處理這類數量大,維度高的數據。本文圍繞大數據情況下的特征學習任務,將深度學習領域的高性能模型結合其他領域的特點應用于各種國防,生活領域的任務中。對論文的主要內容做如下概括:1.雷達目標識別技術對于我軍的戰(zhàn)斗力提升和國防的穩(wěn)固都有著不可替代的作用。而基于雷達高分辨距離像（HRRP）數據的雷達目標識別問題,因其具有快速便捷的特點而受到了這一領域研究人員的廣泛關注。... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數】：134 頁

【學位級別】：博士

【部分圖文】：

深度學習屬于人工智能的一部分

圖1.1深度學習屬于人工智能的一部分來學習并能夠處理每個新問題。的眾多領域中，有一個領域通常被稱為“大腦啟發(fā)發(fā)現(xiàn)人類的大腦有著非常優(yōu)越的學習，處理問題法的天然場所。因此，受大腦啟發(fā)的計算是這樣方式中獲取其某些方面的基本形式或功能。這與在幫助人們理解大腦在某些方面是如何運作的。們仍在不斷探索大腦如何工作的一些細節(jié)問題，近千億個神經元，而它們作為主要的計算單元在。神經元本身與許多進入它們內部的細胞連接在類從它們內部伸向外部的細胞被稱為軸突，如圖過來神經元的信號進行計算處理，之后在軸突上的過程被稱為神經元被激活[? ]。一個神經元的軸的部分稱為突觸。研究表明，人類大腦中有大約數

1.3簡單神經網絡實例與術語圖1.3（a）顯示了計算神經網絡的示意圖。輸入數據由輸入層神經元接接收，然后將其經過轉化傳送到網絡中間各層的神經元，即“隱藏層”神經元。輸出神經元的數值是隱藏層神經元數值的加權，輸出層對其進行非線性激活最終輸出。為了與“大腦啟發(fā)式計算”的術語相一致，神經元的輸出通常被稱為激活，而突觸通常被稱為權重，如圖1.3（a）所示。3

【參考文獻】：
期刊論文
[1]基于棧式自編碼器特征融合的SAR圖像車輛目標識別[J]. 康妙,計科峰,冷祥光,邢相薇,鄒煥新.  雷達學報. 2017(02)
[2]基于棧式降噪稀疏自動編碼器的雷達目標識別方法[J]. 趙飛翔,劉永祥,霍凱.  雷達學報. 2017(02)
[3]基于TSB-HMM模型的雷達高分辨距離像目標識別方法[J]. 潘勉,王鵬輝,杜蘭,劉宏偉,保錚.  電子與信息學報. 2013(07)
[4]基于目標散射中心和HMM分類的多視角雷達目標識別方法[J]. 裴炳南,保錚.  電子學報. 2003(05)



本文編號：3471431