期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于属性散射中心卷积核调制的SAR目标识别深层网络
1
作者 李毅 杜兰 +1 位作者 周可儿 杜宇昂 《雷达学报（中英文）》 EI CSCD 北大核心 2024年第2期443-456,共14页
卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对... 卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。 展开更多
关键词 合成孔径雷达(SAR) 目标识别 卷积神经网络(CNN) 属性散射中心(asc) 卷积核调制
下载PDF
基于联合处理的复杂目标RCS估计方法 被引量：1
2
作者 孙佳兴 姚慧婧 《雷达科学与技术》 北大核心 2022年第2期181-186,共6页
目标雷达散射截面积(Radar Cross Section,RCS)计算在隐身设计、电子对抗、目标探测、识别和成像等方面具有重要的研究价值,是目标电磁散射特性的重点研究方向。针对复杂目标RCS估计问题,基于属性散射中心模型的单一方法在估计大角度范... 目标雷达散射截面积(Radar Cross Section,RCS)计算在隐身设计、电子对抗、目标探测、识别和成像等方面具有重要的研究价值,是目标电磁散射特性的重点研究方向。针对复杂目标RCS估计问题,基于属性散射中心模型的单一方法在估计大角度范围的目标RCS时会产生较大误差,而物理光学方法需要在每个观察角度对目标表面的面元进行遮挡判别才能准确得到目标RCS,计算量大。因此,本文提出一种联合属性散射中心模型和物理光学的处理方法,在部分观察角度通过物理光学方法分析确定目标的属性参数集,再通过属性散射中心模型分析快速估计任意观察角度、不同频率下的目标RCS,获得在大角度范围的结果更加准确、计算量更小。最后采用FEKO软件仿真验证了所提方法的有效性。 展开更多
关键词 雷达散射截面积 属性散射中心模型 物理光学 目标电磁散射特性
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部