期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法
1
作者
化青龙
张云
+2 位作者
任航
姜义成
徐丹
《电子学报》
EI
CAS
CSCD
北大核心
2024年第8期2900-2912,共13页
在合成孔径雷达(Synthetic Aperture Radar,SAR)系统中,舰船目标在中高海情下的三维转动会导致多普勒频谱时变和图像散焦,并对后续SAR舰船目标的信息解释造成不利影响.针对三维转动舰船目标的重聚焦问题,本文提出一种基于最小熵准则与...
在合成孔径雷达(Synthetic Aperture Radar,SAR)系统中,舰船目标在中高海情下的三维转动会导致多普勒频谱时变和图像散焦,并对后续SAR舰船目标的信息解释造成不利影响.针对三维转动舰船目标的重聚焦问题,本文提出一种基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法,设计了生成器和判别器的网络结构.生成器将散焦SAR舰船复图像变换到距离-多普勒域,利用相位误差系数估计网络逐距离单元估计相位误差系数,并实现对多阶次相位误差的补偿.判别器由一个复数域卷积神经网络构成,其所有元素,包括卷积层、激活函数、特征图和网络参数,均被扩展到复数域.损失函数中引入最小熵准则和对抗损失进行无监督训练,避免非合作舰船目标标注样本难以获取的问题.在仿真数据和高分三号SAR数据上的实验表明,该方法在重聚焦精度和效率上均有显著提升.
展开更多
关键词
合成孔径雷达
生成对抗网络
舰船目标
重聚焦
最小熵准则
在线阅读
下载PDF
职称材料
基于混合型复数域卷积神经网络的三维转动舰船目标识别
被引量：
11
2
作者
张云
化青龙
+1 位作者
姜义成
徐丹
《电子学报》
EI
CAS
CSCD
北大核心
2022年第5期1042-1049,共8页
在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type C...
在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.
展开更多
关键词
合成孔径雷达
复数域卷积神经网络
三维转动
目标散焦
舰船目标识别
混合型复数域卷积神经网络
在线阅读
下载PDF
职称材料
基于自监督复数域深度学习网络的SAR有源压制干扰抑制方法
被引量：
2
3
作者
化青龙
魏晨曦
+3 位作者
张云
张倩
冀振元
姜义成
《电子学报》
EI
CAS
CSCD
北大核心
2023年第4期965-974,共10页
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、高分辨率对地观测的优势,但在成像过程中容易受到电磁干扰,进而严重影响SAR图像的判读与解译.针对复杂对抗环境下的强有源压制干扰问题,本文提出一种基于自监督复数域...
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、高分辨率对地观测的优势,但在成像过程中容易受到电磁干扰,进而严重影响SAR图像的判读与解译.针对复杂对抗环境下的强有源压制干扰问题,本文提出一种基于自监督复数域深度学习的SAR有源压制干扰抑制方法,以及一种新型复数域干扰抑制网络,对权值、激活函数及卷积运算等进行了复数域处理设计,挖掘SAR复数域图像中目标和干扰在幅度和相位两方面的不同信息表征,实现对干扰的抑制.同时本文提出一种自监督训练策略,解决传统网络训练过程严重依赖人工标注样本的问题,其适用于复杂干扰下样本难以标注的应用场景.开展仿真分析与实测数据验证,实验结果表明所提方法可有效地抑制复杂背景下的有源压制干扰,具有自监督智能干扰抑制能力.
展开更多
关键词
合成孔径雷达
复数域深度学习
自监督
干扰抑制
压制性干扰
在线阅读
下载PDF
职称材料
题名
基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法
1
作者
化青龙
张云
任航
姜义成
徐丹
机构
哈尔滨工业大学电子与信息工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第8期2900-2912,共13页
基金
国家自然科学基金(No.61971163)
中央高校基本科研业务费专项资金资助项目(No.HIT.DZJJ.2023032)。
文摘
在合成孔径雷达(Synthetic Aperture Radar,SAR)系统中,舰船目标在中高海情下的三维转动会导致多普勒频谱时变和图像散焦,并对后续SAR舰船目标的信息解释造成不利影响.针对三维转动舰船目标的重聚焦问题,本文提出一种基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法,设计了生成器和判别器的网络结构.生成器将散焦SAR舰船复图像变换到距离-多普勒域,利用相位误差系数估计网络逐距离单元估计相位误差系数,并实现对多阶次相位误差的补偿.判别器由一个复数域卷积神经网络构成,其所有元素,包括卷积层、激活函数、特征图和网络参数,均被扩展到复数域.损失函数中引入最小熵准则和对抗损失进行无监督训练,避免非合作舰船目标标注样本难以获取的问题.在仿真数据和高分三号SAR数据上的实验表明,该方法在重聚焦精度和效率上均有显著提升.
关键词
合成孔径雷达
生成对抗网络
舰船目标
重聚焦
最小熵准则
Keywords
synthetic aperture radar(SAR)
generative adversarial network
ship targets
refocusing
minimum entro⁃py criteria
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于混合型复数域卷积神经网络的三维转动舰船目标识别
被引量：
11
2
作者
张云
化青龙
姜义成
徐丹
机构
哈尔滨工业大学电子与信息工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2022年第5期1042-1049,共8页
基金
国家自然科学基金(No.61201304,No.61201308)。
文摘
在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.
关键词
合成孔径雷达
复数域卷积神经网络
三维转动
目标散焦
舰船目标识别
混合型复数域卷积神经网络
Keywords
synthetic aperture radar(SAR)
complex-valued convolutional neural network(CV-CNN)
three-dimensional rotation
target defocus
ship target classification
mix-type complex-valued convolutional neural network(Mix-CV-CNN)
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于自监督复数域深度学习网络的SAR有源压制干扰抑制方法
被引量：
2
3
作者
化青龙
魏晨曦
张云
张倩
冀振元
姜义成
机构
哈尔滨工业大学电子与信息工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2023年第4期965-974,共10页
基金
国家自然科学基金(No.61201304,No.61201308)。
文摘
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、高分辨率对地观测的优势,但在成像过程中容易受到电磁干扰,进而严重影响SAR图像的判读与解译.针对复杂对抗环境下的强有源压制干扰问题,本文提出一种基于自监督复数域深度学习的SAR有源压制干扰抑制方法,以及一种新型复数域干扰抑制网络,对权值、激活函数及卷积运算等进行了复数域处理设计,挖掘SAR复数域图像中目标和干扰在幅度和相位两方面的不同信息表征,实现对干扰的抑制.同时本文提出一种自监督训练策略,解决传统网络训练过程严重依赖人工标注样本的问题,其适用于复杂干扰下样本难以标注的应用场景.开展仿真分析与实测数据验证,实验结果表明所提方法可有效地抑制复杂背景下的有源压制干扰,具有自监督智能干扰抑制能力.
关键词
合成孔径雷达
复数域深度学习
自监督
干扰抑制
压制性干扰
Keywords
synthetic aperture radar(SAR)
complex-valued deep learning
self-supervision
interference suppres-sion
blanketing jamming
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法
化青龙
张云
任航
姜义成
徐丹
《电子学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于混合型复数域卷积神经网络的三维转动舰船目标识别
张云
化青龙
姜义成
徐丹
《电子学报》
EI
CAS
CSCD
北大核心
2022
11
在线阅读
下载PDF
职称材料
3
基于自监督复数域深度学习网络的SAR有源压制干扰抑制方法
化青龙
魏晨曦
张云
张倩
冀振元
姜义成
《电子学报》
EI
CAS
CSCD
北大核心
2023
2
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
