Aunque el reconocimiento automático de objetivos (ATR) del radar de apertura sintética (SAR) a través de las redes neuronales convolucionales (CNN) ha hecho grandes progresos hacia el aprendizaje profundo, algunas cuestiones clave siguen sin resolverse debido a la falta de muestras suficientes y de un modelo robusto. En este trabajo, proponemos una eficiente CNN Max-Slice transferida (MS-CNN) con L2-Regularización para SAR ATR, que podría enriquecer las características y reconocer los objetivos con un rendimiento superior. En primer lugar, se presenta el método de amplificación de datos para reducir el tiempo de cálculo y enriquecer las características brutas de los objetivos SAR. En segundo lugar, se entrena el marco MS-CNN propuesto con L2-Regularización para extraer características robustas, en las que se incorpora la L2-Regularización para evitar el fenómeno de sobreajuste y optimizar aún más nuestro modelo propuesto. En tercer lugar, se introduce el aprendizaje de transferencia para mejorar la representación y la discriminación de las características, lo que podría aumentar el rendimiento y la solidez del modelo propuesto en muestras pequeñas. Por último, se evalúan varias funciones de activación y estrategias de abandono para mejorar aún más el rendimiento del reconocimiento. Los amplios experimentos realizados demuestran que nuestro método propuesto no sólo puede superar a otros métodos de vanguardia en el conjunto de datos público y ampliado de MSTAR, sino que también obtiene un buen rendimiento en los conjuntos de datos pequeños aleatorios.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Desarrollo de una arquitectura de sistema para la evaluación y el entrenamiento de los déficits propioceptivos del miembro superior
Artículo:
Superación de la multirresistencia mediante la liberación intracelular a demanda de doxorrubicina y verapamilo
Artículo:
Modelo de traducción al inglés comercial basado en una red neuronal de BP optimizada mediante un algoritmo genético
Artículo:
Biodefensa alimentaria
Artículo:
Un método de desambiguación de entidades del grafo de conocimiento basado en la incrustación de relaciones de entidades y la incrustación de estructuras de grafos
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Importancia, manejo y control de extraíbles e incrustaciones (pitch) en la fabricación de papel
Libro:
Tratamientos avanzados de aguas residuales industriales
Libro:
Planta de tratamiento de aguas residuales