【摘 要】
：
雷达信号识别技术在军用和民用领域应用广泛,尤其在军事场景中,在现代电子对抗中发挥着重要的作用,是非常具有挑战性的问题。在深度学习技术快速发展的同时,基于深度学习的雷达信号识别技术也取得了非常大的进展,相对于传统的识别方法,在整体性能上有很大的提升,但是在识别精度不断提升的同时,神经网络的深度不断加深,参数量也更加冗余,导致对硬件机器的算力要求日益增大,难以在边缘终端设备上应用,所以设计出高效精简的
论文部分内容阅读
雷达信号识别技术在军用和民用领域应用广泛,尤其在军事场景中,在现代电子对抗中发挥着重要的作用,是非常具有挑战性的问题。在深度学习技术快速发展的同时,基于深度学习的雷达信号识别技术也取得了非常大的进展,相对于传统的识别方法,在整体性能上有很大的提升,但是在识别精度不断提升的同时,神经网络的深度不断加深,参数量也更加冗余,导致对硬件机器的算力要求日益增大,难以在边缘终端设备上应用,所以设计出高效精简的神经网络变得非常重要。本文提出了基于神经网络架构搜索的雷达信号识别方法,相对于基于深度学习的雷达信号识别,在网络设计方面,此方法通过预先设计的搜索空间和搜索策略自动设计并且组建卷积神经网络,不需要再让相关研究人员花费大量的时间和精力用于网络的设计,同时在网络的性能方面也有一定的优势。仿真实验结果表明,基于神经网络架构搜索的雷达信号识别方法具有较高的分类识别准确性和一致性,在网络模型的复杂度方面也拥有很好的表现,仿真结果显示,通过网络搜索的模型的参数量和浮点运算数相较于传统卷积神经网络有很大的改善,以1.28GFLOPs的浮点运算数和2.57×10~6的参数量的条件获得了93.2%的平均识别准确率,相比其它传统方法优势明显。考虑到基于神经网络架构搜索方法中的网络搜索阶段相对耗费更多的时间,本文同时也采用了深度学习中网络剪枝的轻量化方法,对传统的卷积网络模型和轻量级的神经网络进行仿真实验,结果表明,网络剪枝在降低模型复杂度方面有一定作用,但需要以牺牲网络的部分识别精度为代价,同时此方法在参数更加冗余的网络模型上的效果更加明显,与神经网络架构搜索方法相比,其不需要单独构建全新的网络,但是在网络的识别精度方面有少量的差距。
其他文献
单目标跟踪是计算机视觉的关键领域之一,该任务要求在给定第一帧目标信息情况下,在后续视频帧中标注出目标状态。判别性目标跟踪算法因其对目标背景信息的充分利用提高了模型判别性而受到跟踪领域研究人员的青睐,但该类算法仍存在对网络不同特征层信息利用不充分、目标回归不精确以及模型泛化能力不足等问题。为解决以上问题本文做了如下的工作:（1）针对跟踪网络未能充分利用网络不同特征层信息问题,本文基于判别性目标跟踪算
在本论文中,作者在其他学者已给出的组合恒等式证明的基础之上,重点探究了含有高阶Shifted-Harmonic数Euler型求和的组合恒等式。主要是利用部分分式数学方法和借助递归迭代数学思想,建立一组有意义的关于Euler型求和的组合恒等式。具体内容包括:（1）主要利用部分分式展开法研究了含有高阶Shifted-Harmonic数与二项式系数的倒数乘积的求和公式,形如级数（?）的探究,得到有意义的
选择性分割是指按照某种方式对图像中单个感兴趣目标的局部分割,是医学影像高效精准分析的前提和基础。基于医学图像的选择性分割,在疾病的病灶识别、早期诊断、治疗方案规划、术中导航等方面起着非常重要的作用,是当前医学图像处理研究中的热点和难点问题。本文研究基于偏微分方程的图像选择性分割方法,主要研究内容和创新点如下:（1）研究选择性分割模型-RCI模型的快速数值求解方法。现有的求解RCI模型算法是基于加性
全世界每年因为线虫侵染和寄生农作物经济损失巨大,传统的物理和化学方式防治线虫具有许多局限性。随着生物研究领域的快速崛起和发展,线虫的生物防治逐渐具有可能性,其中杀线虫真菌成为最具有潜力的生防制剂之一。而捕食线虫真菌是一种主要的杀线虫真菌,利用线虫诱导或在特定环境下可以由腐生转化为寄生,从而形成了各种捕食器官如三维菌网、收缩环、粘性分枝等来捕获并侵染线虫,从而达到防治线虫的目的。本论文利用RNA-s
总所众知,电力变压器在整个电力系统占据举足轻重的地位。目前国内大型电力变压器主要为油浸式,其内部在某些情况下可能会有空气进入,例如在一些生产出厂或者高负荷运行的场合,当电力变压器中的绝缘油与一些绝缘材料长时间与空气接触后,可能会发生劣化现象,造成产生故障的隐患,所以难免会出现一些故障。当故障发生时,电力变压器绝缘油中将会产出一些故障气体,然而不同的故障气体往往对应着不同的故障类型,且不同的故障之间
近年来,图神经网络（Graph Neural Networks,GNN）已成功的广泛应用于生物医药、系统建模、推荐系统、文本分类、社交网络等当今时代重要的各项领域。随着人工智能应用的不断发展,图结构数据库的规模也越来越大,如何对大规模图结构数据库进行有效训练,是图神经网络发展面临的重要挑战。本文首先采用随机游走图采样算法以随机游走的方式形成多批次子图,以解决大规模图结构数据库的训练复杂度问题,同时
作为人机交流的桥梁,基于脑电图（EEG）的脑机接口（BCI）旨在将大脑活动直接解码为不同的控制命令,该技术在多个领域大放异彩。近年来过劳死报道频出,工程施工过程中因疲劳施工而导致的死亡人数逐年上涨,因此找到一种高效、便捷的疲劳检测方法成为工程施工安全研究的重点方向。同时,在医疗康复领域,脑电信号也有广泛应用。比如医学康复治疗瘫痪患者和脑控机器人中,通过解码脑电信号,可以分析其中的运动想象信息,实现
由于照明强度以及数字设备动态范围的约束,拍摄的照片通常会出现能见度低、对比度不高和噪声放大等退化现象,这种低质量图像不仅视觉效果不佳,而且难以支持后期高级的计算机视觉任务。针对以上问题,本文在传统方向,基于Retinex模型的局限之处,提出了基于Retinex的纹理结构感知的非均匀光照图像增强算法;在深度学习方向,基于Retinex-Net网络模型存在的色彩保真度低以及放大噪声等缺点,提出了改进R
表格结构识别是文档识别（Document Recognition）领域中一项基础且具有挑战的任务,目的是获取单元格的结构信息。最近,深度学习已经成为解决表格结构识别的主流方法,通过训练神经网络得到最佳的拟合模型。基于深度学习的表格结构识别有两种主要算法,分别是识别表格行与列算法和识别表格框线算法。识别表格行与列算法通过获取表格的行与列来识别表格结构,现有的有效方案是使用语义分割（Semantic
图像增强是计算机视觉及图像处理领域的一项重要研究内容。由于成像所处环境的不同,在夜间、背光、雾霾以及水下等条件下由图像采集设备采集到的图像通常为不同程度损坏的低质量图像。对低质量图像进行增强处理可以提升图像的整体色彩,凸显图像中物体的细节特征,以此提高图像质量,为后续高级视觉任务提供有效的数据质量保证。本文主要针对自然场景低照度图像及水下场景降质图像进行研究,根据这两类低质量图像的不同特征,开展的