海杂波背景下小目标检测的深度信念网络方法 优先出版.pdf

《海杂波背景下小目标检测的深度信念网络方法 优先出版.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人工智能ArtificialIntelligence海杂波背景下小目标检测的深度信念网络方法冯亮(浙江师范大学数理与信息工程学院，浙江金华321004)摘要:结合深度学习相关理论，提出了海杂波背景下小目标检测的深度信念网络方法。该方法以无标签数据逐层进行非监督贪婪训练，使每层得到一个合适的初始值;构建深度信念网络初步模型，并以带标签的数据对该种模型以误差反向算法对整个网络的参数进行调优，建立预测模型;最后利用该种预测模型检测湮没在海杂波背景下的小目标信号。以加拿大McMaster实测的IPIX雷达数

2、据进行实验，利用均方根误差评价性能。实验结果表明，针对第54#海杂波数据，文章提出的深度信念网络方法所预测的均方根误差为0．016，与已有的选择性支持向量机集成方法均方根误差0．0264和K均值-有效极限学习机所得的均方根误差0．0428相比，预测精度有所提高。关键词:深度信念网络;海杂波;小目标检测中图分类号:TP393．1文献标识码:ADOI:10．19358/j．issn．1674-7720．2017．07．016引用格式:冯亮．海杂波背景下小目标检测的深度信念网络方法［J］．微型机与应用，2

3、017，36(7):53-55，66．SmalltargetdetectioninthebackgroundofseaclutterusingdeepbeliefnetworksFengLiang(CollegeofMathematics，PhysicsandInformationEngineering，ZhejiangNormalUniversity，Jinhua321004，China)Abstract:Withthedeeplearningtheory，thepaperputsforwarda

4、kindofsmalltargetdetectionmethodbyusingdeepbeliefnetworkinthebackgroundofseaclutter．Themethodisbasedonunsupervisedgreedytrainingoftheunlabeleddatalayer，sothateachlayerhasasuitableinitialvalue;thenadeepbeliefnetworkinitialmodelisbuilt，parametersofthewho

5、lenetworkareoptimizedthroughthelabeleddataforthemodelswitherrorback-propagationalgorithm，toestablishapredictionmodel;thepredictionmodelscandetectthesmalltargetsignalwhichburiedinseaclutter．AnexperimentwithIPIXradardatameasuredbyMcMasterCanadaiscarriedo

6、uttoevaluatetheperformanceofthemeth-od．Theexperimentalresultsshowthatforthe54#seaclutterdata，comparedtotherootmeansquareerroroftheselectivesupportvectorma-chineintegratedmethodwhichis0．0264andtherootmeansquareerroroftheK-meansclusteringeffectiveextreme

7、learningmachinewhichis0．0428，thepredictionaccuracyisimproved．Themethodcanachievethesmalltargetdetectionunderdifferentseaconditionseffectively．Keywords:deepbeliefnetworks;seaclutter;smalltargetdetection0引言号，提出基于复杂非线性系统相空间重构理论，采用改进［1］极限学习机(ELM)预测单步误差检测微弱

8、信号的方法;海杂波通常是指海洋表面的雷达后向散射回波，具有混沌特性［2］，利用该特性能有效检测雷达回波是否含有文献［9］基于复杂非线性系统相空间重构理论，提出了一种混沌背景中微弱信号检测的选择性支持向量机集成的目标信号。海杂波背景下小目标检测对提高海面监测水［3］方法。平有重大意义。1995年，Haykin和Li结合混沌背景的1深度信念网络原理先验知识，利用神经网络构建了非线性预测模型，从预测［10］深度信念网络(DeepBeliefNets，DBN)是2006年［4