基于BP神经网络的红外目标识别技术
- 格式：pdf
- 大小：694.55 KB
- 文档页数：3
下载文档原格式
合集下载
基于深度学习的红外目标识别与跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究近年来，随着人工智能领域的不断发展和深度学习算法的成功应用，基于深度学习的红外目标识别与跟踪技术也逐渐成为研究的热点。
本文将探讨该技术的基本理论、研究现状以及未来发展趋势。
一、基本理论在红外目标识别与跟踪技术中，深度学习算法主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。
其中，CNN是目前常用的神经网络模型，其优点在于具有良好的特征提取能力和高效的计算速度，因此被广泛应用于红外图像中的目标检测和识别任务。
基于深度学习的红外目标识别与跟踪技术主要包括图像预处理、目标检测和目标跟踪三个部分。
其中，图像预处理主要是对红外图像进行去噪和增强处理，使图像能够更好地被深度学习模型处理。
目标检测则是通过深度学习算法识别图像中的目标，常用的算法有Faster R-CNN和YOLO等。
目标跟踪则是通过对目标的拟合和跟踪来实现目标的实时定位和追踪。
二、研究现状近年来，基于深度学习的红外目标识别与跟踪技术得到了广泛的研究和应用。
目前在目标检测方面，基于CNN的深度学习算法已经取得了很大的进展，如Faster R-CNN、SSD和YOLO等算法已经成为业界的主流算法。
在目标跟踪方面，研究者们主要探究了基于卷积神经网络的目标跟踪方法。
例如，Held等人提出的DeepTrack方法通过对目标进行自适应的特征提取，实现了较好的跟踪效果。
此外，还有一些研究者将深度学习算法应用于红外人脸识别等领域。
例如，王震等人在红外人脸识别中应用了深度卷积神经网络，实现了较高的识别准确率。
三、未来发展趋势基于深度学习的红外目标识别与跟踪技术目前还存在一些问题，如如何提高模型的鲁棒性、如何在复杂环境中实现高效的目标跟踪等。
未来的研究方向主要集中在以下几个方面：1. 提高深度学习算法的鲁棒性。
研究者们需要进一步探索如何利用跨领域数据增加模型的鲁棒性，以及如何集成多种算法来提高模型的预测能力。
基于不变矩和改进BP神经网络的目标识别
Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｈ ｅ ｆ ｅ ｉ ２ ３ ０ ０ ３ ７ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂｓ ｔ ｒ ａｃ ｔ ：Ｂａ ｓ ｅ ｄ ｏｎ ｔ ｈｅ ｇ ｅ ｏ ｍｅ ｔ ｒ ｉ ｃ ａ ｌ ｉ ｎ ｖ ａ ｒ ｉ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ Ｈｕ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ ｍｏ ｍｅ ｎ ｔ ，ａ ｎｄ ｔ ａ ｋ ｉ ｎｇ ｔ ｈ ｅ ｃ ｈａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｏ ｆ
Ｏｂ ｊ ｅ ｃ ｔ Ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ Ｍｏ ｍｅ ｎ ｔ ａ ｎ ｄ Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｂ ａ ｃ ｋ
Ｐｒ ｏ ｐ ａｇ ａ ｔ ｉ ｏ ｎ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
第２ ８ 卷第 ４ 期
２ ０ １ ３ 年８ 月
光 电技 术应 用
ＥＬＥ ＣＴＲＯ— — ＯＰ ＴＩ Ｃ Ｔ ＥＣＨＮＯＬ ＯＧＹ ＡＰ Ｐ Ｌ Ｉ ＣＡＴ Ｉ ＯＮ
Ｖｏ１ ． ２ ８． ＮＯ ． ４
Ａｕ ｇ ｕ ｓ ｔ ， ２ ０ １ ３
・
信 号 与 信 息处 理 ・
基 于不 变矩和 改进 Ｂ Ｐ神经 网络的 目标识别
Ａｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｂ Ｐ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｏ ｂ ｊ ｅ ｃ ｔ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｉ ｎ ｖ ａ ｒ ｉ ｎｔ ａ ｍｏ ｍｅ ｎ ｔ ｉ ｓ ｂ ｕ ｉ ｌ ｔ ｉ ｎ ＭＡＴ Ｌ Ａ Ｂ Байду номын сангаасｅ ｎ ｖ ｉ —
基于人工智能的红外图像目标识别技术研究
基于人工智能的红外图像目标识别技术研究随着科技的不断发展，人工智能技术得到了越来越广泛的应用。
其中，基于人工智能的红外图像目标识别技术是一个备受关注的领域。
本文将从红外图像的特点、人工智能的应用、目标识别技术的分类以及基于人工智能的红外图像目标识别技术的研究现状等方面进行探讨。
一、红外图像的特点红外图像是一种与可见光不同的图像。
可见光是一种电磁波，其波长范围为400-700纳米，可通过眼睛直接观察到。
而红外辐射是一种电磁波，波长范围为0.7微米到1000微米之间，人眼无法识别。
红外图像的特点是可以通过不同的红外波段提供物体的不同信息，包括物体的辐射温度、大小、形态、材质、状态等，具有很高的信息量。
另外，红外图像还有一个重要特点是在夜间或低照度环境下同样有很好的成像效果，因为大部分物体会以热辐射的形式向外界发射红外辐射，即便在黑暗环境下，物体的红外辐射还是会被红外探测器探测到。
二、人工智能的应用人工智能技术是近年来发展最快的领域之一，其应用领域包括语音识别、自然语言处理、图像识别、机器翻译、智能推荐等等。
在红外图像目标识别方面，人工智能技术的应用相当广泛，可以大大提高目标识别的准确率和效率。
三、目标识别技术的分类在目标识别技术方面，主要分为两类：传统的目标识别技术和基于深度学习的目标识别技术。
传统的目标识别技术主要使用基于图像特征和分类器的方法，其主要流程包括特征提取、特征选择和分类器构建。
在特征提取方面，主要包括颜色直方图、纹理特征、形状特征等。
在分类器构建方面，主要包括支持向量机、决策树、朴素贝叶斯等。
基于深度学习的目标识别技术是近年来发展最为迅猛的一种方法。
深度学习技术主要通过构建多层神经网络来提取图像特征，然后通过训练网络来实现目标分类。
其中，卷积神经网络（CNN）是深度学习在图像识别方面最为成功的一种方法。
四、基于人工智能的红外图像目标识别技术的研究现状目前，基于人工智能的红外图像目标识别技术已经得到了广泛的研究和应用。
基于一种改进的BP神经网络的飞机目标识别
测 有 特别 重 要 的意 义 。
出模式映射关 系，而无需事前揭示表示这种 映射 关系 的数学方程 。它的学习规则使用 的是最速 下降法，通 过反 向传播 来不断调整 网络 的权值和 阈值 ，使网络的 误差平方和最 小。Ｂ 神经 网络模 型拓扑结构包括输入 Ｐ
层 （ ｎ ｕ ） 、隐 层 （ ｉ ｅ ａ ｅ ） 输 出层 （ ｕ ｐ ｔ ｉｐ ｔ ｈ ｄ ｌ ｙ ｒ 和 ｏ ｔ ｕ
输人层 隐层 输出 层
图 １Ｂ Ｐ神 经 网 络 结 构 示 意 图
由输 入层 至 隐层 ，网络 按组 织特 征 映 射学 习规 则产 生 隐 层 的 获 胜 神 经 元 ，并 按 这 一 规 则 调 整 相 应 的 输 入 层 至 隐 层 的 连 接 权 。 由 隐层 至输 出 层 ， 网 络 按 基 本 竞 争 型 网络 学 习规 则 得 到各 输 出神 经 元 的 实 际 输 出值 ，
极 小值 。
四、 Ｐ神经 网络 的训练 策略及 结果 Ｂ
以理 想样 本 作 为训 练样 本 ， 网络 的训 练 函数 采用 弹 性 反 向传 播算 法 （ ｒ ｉ ｒ ） 。Ｔ ａ ｎ ｐ ｔａ ｎｐ ｒ ｉ ｒ 函数 依 据 弹 性 反 向 传 播 算 法 对 网络 的权 值 和 阀值 进 行 调 整 ， 该 函 数 在 对 网络 权 值 和 阀值 更 新 时只 考 虑梯 度 的 符 号 ，调 整 幅 度 则 有 程 序 设 定 ，从 而 提 高 了 网络 在 性 能 曲面 平 坦 区 域 的 学 习 效 率 。然 后 设 定 网络 属 性 。 网络 的 性 能 函 数 设置 为 平 方 和 误 差 函数 （ ｓ ，Ｓ ｅ 数 用 来 计 算 Ｓ ） Ｓ函
种 ，有的应用角点特征和核聚类算法 ，有的基于 闭合 轮 廓特 征，有的采用模板 匹配 ，等等 。 目前 ，三维 目 标识别 主要是通过对任意角度观察 的二维数字 图像处
出模式映射关 系，而无需事前揭示表示这种 映射 关系 的数学方程 。它的学习规则使用 的是最速 下降法，通 过反 向传播 来不断调整 网络 的权值和 阈值 ，使网络的 误差平方和最 小。Ｂ 神经 网络模 型拓扑结构包括输入 Ｐ
层 （ ｎ ｕ ） 、隐 层 （ ｉ ｅ ａ ｅ ） 输 出层 （ ｕ ｐ ｔ ｉｐ ｔ ｈ ｄ ｌ ｙ ｒ 和 ｏ ｔ ｕ
输人层 隐层 输出 层
图 １Ｂ Ｐ神 经 网 络 结 构 示 意 图
由输 入层 至 隐层 ，网络 按组 织特 征 映 射学 习规 则产 生 隐 层 的 获 胜 神 经 元 ，并 按 这 一 规 则 调 整 相 应 的 输 入 层 至 隐 层 的 连 接 权 。 由 隐层 至输 出 层 ， 网 络 按 基 本 竞 争 型 网络 学 习规 则 得 到各 输 出神 经 元 的 实 际 输 出值 ，
极 小值 。
四、 Ｐ神经 网络 的训练 策略及 结果 Ｂ
以理 想样 本 作 为训 练样 本 ， 网络 的训 练 函数 采用 弹 性 反 向传 播算 法 （ ｒ ｉ ｒ ） 。Ｔ ａ ｎ ｐ ｔａ ｎｐ ｒ ｉ ｒ 函数 依 据 弹 性 反 向 传 播 算 法 对 网络 的权 值 和 阀值 进 行 调 整 ， 该 函 数 在 对 网络 权 值 和 阀值 更 新 时只 考 虑梯 度 的 符 号 ，调 整 幅 度 则 有 程 序 设 定 ，从 而 提 高 了 网络 在 性 能 曲面 平 坦 区 域 的 学 习 效 率 。然 后 设 定 网络 属 性 。 网络 的 性 能 函 数 设置 为 平 方 和 误 差 函数 （ ｓ ，Ｓ ｅ 数 用 来 计 算 Ｓ ） Ｓ函
种 ，有的应用角点特征和核聚类算法 ，有的基于 闭合 轮 廓特 征，有的采用模板 匹配 ，等等 。 目前 ，三维 目 标识别 主要是通过对任意角度观察 的二维数字 图像处
BP神经网络在雷达目标识别中的应用
Ｋｅ ｗｏ ｄ ＢＰ ｎ ｕ ａ ｅ ｗ ｎ； ｔ ｒ ｅ ｈ ｒ ｃ ｅ ｉ ｔ ｓ ｙ ｒ ｓ ｅ ｒ ｌｎ ｔ ｒ ａ ａ ａ ｇ ｔｒ ｃ ｇ ｉｉ ｏ ａ ｇ ｔｃ ａ ａ ｔ ｒｓ ｉ ｃ
由于雷达 目标 特性 呈现 出复杂 性和 多样性 ，其
（ ｎｔ ｏ ３ ８ ｆＰ Ａ，Ｍｅ ｇｈ ｕ４ ４ ５ １ ｉ，Ｎ ．６ ８ ９ ｏ Ｌ Ｕ ｎ ｚｏ ５ ７ ０，Ｃ ｉａ ｈｎ ）
Ａｂ ｔａ ｔ Ｉ ｉｗ ｏ ｈ ｏ ｌｘｔ ｎ ｉｅｓｔ ｆｒ ｄ ｒｔｒ ｅ ｉｎ ｌ ｔ ｅｍｅｈ ｄ ｏ ａ ａ ａｇ ｔｒ ｃ ｇ ｉ ｏ ｓｒ ｃ ｎ ｖｅ ｆｔ ｅ ｃ ｍｐｅ ｉ ａ ｄ ｄｖ ｒｉ ｏ ａ ａ ａ ｇ ｔｓｇ ａｓ， ｈ ｔ ｏ ｆｒ ｄ ｒｔｒｅ ｅ ｏ ｎｔ ｎ ｙ ｙ ｉ ｂ ｓ ｄ ｏ ｅ ｒｌｎ ｔ ｒ ｓｐ ｅ ｅ ｔｄ ＢＰ ｎ ｕ ａ ｅｗｏｋ ｈ ｓａｌａｎ ｎ ｎ ｔｏ ｉｈ ｃ ｎ ｉ ｒｖ ｈ ｆ ｃｅ ｃ ａ ｅ ｎ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｉ ｒｓ ｎ ｅ ． ｅ ｒｌｎ ｔ ｒ ａ ｅ ｒ ｉ ｇｆ ｃｉｎ ｗｈｃ ａ ｍｐ ｏ ｅｔｅ ｅ ｉｎ ｙ ｕ ｉ ｏ ｈ ａ ａ ａ ｇ ｔｒ ｃ ｇ ｉｉｎ ｓ ｓｅ ． Ｔｈ ｅ ｔｒ ｓ ｌ ｈ ｗ ｈ ｔｔｅ ｍｅｈ ｄ ｉ ｅｆｃｉｅ ａ ｄ ｐ ａ ｔ ａ． ｆｔｅ ｒｄ ｒｔｒ ｅ ｅ ｏ ｎ ｔ ｙ ｔｍ ｏ ｅｔｓ ｅ ｕ ｔ ｓ ｏ ｔａ ｈ ｔ ｏ ｓ ｆｅ ｔ ｎ ｒ ｃｉ １ ｓ ｖ ｃ
建 立输 入与输 出之 间 的映射 关系 。
如图 １的 ３层 网络结 构 ，假设输 入层 神经 元数 为 凡 、隐含层 神经元 数 为 ｆ 、输 出层神经 元数 为 ｍ，网络 输 入 层 、隐含层 和输 出层 的输 出 向量分 别 为 Ｘ：（ ， ．
由于雷达 目标 特性 呈现 出复杂 性和 多样性 ，其
（ ｎｔ ｏ ３ ８ ｆＰ Ａ，Ｍｅ ｇｈ ｕ４ ４ ５ １ ｉ，Ｎ ．６ ８ ９ ｏ Ｌ Ｕ ｎ ｚｏ ５ ７ ０，Ｃ ｉａ ｈｎ ）
Ａｂ ｔａ ｔ Ｉ ｉｗ ｏ ｈ ｏ ｌｘｔ ｎ ｉｅｓｔ ｆｒ ｄ ｒｔｒ ｅ ｉｎ ｌ ｔ ｅｍｅｈ ｄ ｏ ａ ａ ａｇ ｔｒ ｃ ｇ ｉ ｏ ｓｒ ｃ ｎ ｖｅ ｆｔ ｅ ｃ ｍｐｅ ｉ ａ ｄ ｄｖ ｒｉ ｏ ａ ａ ａ ｇ ｔｓｇ ａｓ， ｈ ｔ ｏ ｆｒ ｄ ｒｔｒｅ ｅ ｏ ｎｔ ｎ ｙ ｙ ｉ ｂ ｓ ｄ ｏ ｅ ｒｌｎ ｔ ｒ ｓｐ ｅ ｅ ｔｄ ＢＰ ｎ ｕ ａ ｅｗｏｋ ｈ ｓａｌａｎ ｎ ｎ ｔｏ ｉｈ ｃ ｎ ｉ ｒｖ ｈ ｆ ｃｅ ｃ ａ ｅ ｎ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｉ ｒｓ ｎ ｅ ． ｅ ｒｌｎ ｔ ｒ ａ ｅ ｒ ｉ ｇｆ ｃｉｎ ｗｈｃ ａ ｍｐ ｏ ｅｔｅ ｅ ｉｎ ｙ ｕ ｉ ｏ ｈ ａ ａ ａ ｇ ｔｒ ｃ ｇ ｉｉｎ ｓ ｓｅ ． Ｔｈ ｅ ｔｒ ｓ ｌ ｈ ｗ ｈ ｔｔｅ ｍｅｈ ｄ ｉ ｅｆｃｉｅ ａ ｄ ｐ ａ ｔ ａ． ｆｔｅ ｒｄ ｒｔｒ ｅ ｅ ｏ ｎ ｔ ｙ ｔｍ ｏ ｅｔｓ ｅ ｕ ｔ ｓ ｏ ｔａ ｈ ｔ ｏ ｓ ｆｅ ｔ ｎ ｒ ｃｉ １ ｓ ｖ ｃ
建 立输 入与输 出之 间 的映射 关系 。
如图 １的 ３层 网络结 构 ，假设输 入层 神经 元数 为 凡 、隐含层 神经元 数 为 ｆ 、输 出层神经 元数 为 ｍ，网络 输 入 层 、隐含层 和输 出层 的输 出 向量分 别 为 Ｘ：（ ， ．
BP神经网络在红外热波无损检测定量识别中的应用
ｈ ｅ ｏ ｄ Ａｒｉ ｅｙ Ｅｎ ｉｅ ｒｎ ｉｅｓｔ，Ｘｉａ １ ０ ５，Ｃｈｎ ） Ｔ ｅ Ｓ ｃ ｎ ｔｌｒ ｇｎ ｅｉｇ Ｕｎｖ ｒｉｙ ｌ ７０２ ｎ ｉ ａ
Ａｂｓｒ ｃ ：Ｉ ｒ ｅ ｏ ｏ ｖ ｈ ｒ ｂ ｅ ｆ ｑ ａ ｔ ａｉ ｅ ｉ ｅ ｔｆｃ ｔｏ ｔ ａ ｔ ｎ ｏ ｄ ｒ ｔ ｓ ｌ ｅ ｔ ｅ ｐ ｏ ｌｍ ｏ ｕ ｎ ｉ ｔ ｄ ｎ ｉ ａｉ ｎ，ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｗａ ｍ ｐ ｉｄ ｏ ｔ ｖ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｓ ｉ ｌ ｔ ｅ ｉ ｕ ｃｉ ｎ ｏ ｃ ｉｖ ｕ ｎ ａｉ ｄ ｎ ｉ ａｉ ｆｔ ｆ ｎ ｔｏ ｔ ａ ｈｅ ｅ ｑ ａ ｔｔｔ ｅ ｉ ｅ ｔｆｃ ｔ ｎ． Ｉ ｐ ｌｅ ｔ ｅ ｍｏｇ ａ ｈ ｉ ｖ ｉ ｏ ｎ ｕｓｄ ｈ ｒ ｒ ｐ ｙ， ｔ ｅ ｈ ｇ ｅ ｔ ｔｍ ｐ ｒ ｔｒ ｈ ｉ ｈ ｓ ｅ ｅ ａｕ ｅ
ｄ ｆｅ ｅ ｃ ａ ｄ ｈ ｂ ｓ ｔｓｉｇ ｉ ｅ ｉｆ ｒｎ ｅ ｎ ｔ ｅ ｅ ｔ ｅ ｔ ｔ ｗ ａ ｔｋ ｎ ｓ ｎ ｕ ， ａ ｄ ｅ ｅ ｔ ｅ ｔ ａ ｄ ｉｍ ｅｅ ｗ ａ ｔｋ ｎ ｓ ｎ ｍ ｓ ａ ｅ ａ ｉｐ ｔ ｎ ｄ ｆ ｃ ｄ ｐ ｈ ｎ ｄ ａ ｔｒ ｓ ａ ｅ ａ ｏ ｔ ｕ ，ａ ｄ ｔ ｅ ｅ ｒ ｌ ｅ ｗｏ ｋ ｗａ ｕ ｅ ｏ ｆｔ ｔ ｅ ｆ ｎ ｔｏ ｅａｉ ｎ ｈ ｐ ｏ ｅ ．Ｔｒｉ ｉ ｇ ａ ｐｅ ｕ ｐ ｔ ｎ ｈ ｎ ＢＰ ｎ ｕ ａ ｎ ｔ ｒ ｓ ｓ ｓ ｄ ｔ ｈ ｕ ｃｉ ｎ ｒ ｌｔｏ ｓ ｆ ｔ ｍ ｉ ｉ ｈ ａｎ ｎ ｓ ｍ ｌｓ
了３ ０次随机 计算 。通过 结果 分析 ， 发现使 用 Ｂ Ｐ神 经 网络进 行计 算具备 以下特 点 ： 网络 收敛 速度 并 不
Ａｂｓｒ ｃ ：Ｉ ｒ ｅ ｏ ｏ ｖ ｈ ｒ ｂ ｅ ｆ ｑ ａ ｔ ａｉ ｅ ｉ ｅ ｔｆｃ ｔｏ ｔ ａ ｔ ｎ ｏ ｄ ｒ ｔ ｓ ｌ ｅ ｔ ｅ ｐ ｏ ｌｍ ｏ ｕ ｎ ｉ ｔ ｄ ｎ ｉ ａｉ ｎ，ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｗａ ｍ ｐ ｉｄ ｏ ｔ ｖ ｉ ｅ ｒ ｌ ｎ ｔ ｒ ｓ ｉ ｌ ｔ ｅ ｉ ｕ ｃｉ ｎ ｏ ｃ ｉｖ ｕ ｎ ａｉ ｄ ｎ ｉ ａｉ ｆｔ ｆ ｎ ｔｏ ｔ ａ ｈｅ ｅ ｑ ａ ｔｔｔ ｅ ｉ ｅ ｔｆｃ ｔ ｎ． Ｉ ｐ ｌｅ ｔ ｅ ｍｏｇ ａ ｈ ｉ ｖ ｉ ｏ ｎ ｕｓｄ ｈ ｒ ｒ ｐ ｙ， ｔ ｅ ｈ ｇ ｅ ｔ ｔｍ ｐ ｒ ｔｒ ｈ ｉ ｈ ｓ ｅ ｅ ａｕ ｅ
ｄ ｆｅ ｅ ｃ ａ ｄ ｈ ｂ ｓ ｔｓｉｇ ｉ ｅ ｉｆ ｒｎ ｅ ｎ ｔ ｅ ｅ ｔ ｅ ｔ ｔ ｗ ａ ｔｋ ｎ ｓ ｎ ｕ ， ａ ｄ ｅ ｅ ｔ ｅ ｔ ａ ｄ ｉｍ ｅｅ ｗ ａ ｔｋ ｎ ｓ ｎ ｍ ｓ ａ ｅ ａ ｉｐ ｔ ｎ ｄ ｆ ｃ ｄ ｐ ｈ ｎ ｄ ａ ｔｒ ｓ ａ ｅ ａ ｏ ｔ ｕ ，ａ ｄ ｔ ｅ ｅ ｒ ｌ ｅ ｗｏ ｋ ｗａ ｕ ｅ ｏ ｆｔ ｔ ｅ ｆ ｎ ｔｏ ｅａｉ ｎ ｈ ｐ ｏ ｅ ．Ｔｒｉ ｉ ｇ ａ ｐｅ ｕ ｐ ｔ ｎ ｈ ｎ ＢＰ ｎ ｕ ａ ｎ ｔ ｒ ｓ ｓ ｓ ｄ ｔ ｈ ｕ ｃｉ ｎ ｒ ｌｔｏ ｓ ｆ ｔ ｍ ｉ ｉ ｈ ａｎ ｎ ｓ ｍ ｌｓ
了３ ０次随机 计算 。通过 结果 分析 ， 发现使 用 Ｂ Ｐ神 经 网络进 行计 算具备 以下特 点 ： 网络 收敛 速度 并 不
遗传神经网络在红外目标识别中的应用
ａ ｖ ｔｇ ｆＧｅ ｅｉ ｇ ｒｔ ｍ ｈ ｏ ｒｕ ｂ ｌ ｙ ｉ ｖ ｒ ｌ ｓ ａ ｃ ｉ ｇ ｂ ｔ ｔｉ ｃ ｎ ｅｇ ｄ ｉ ｄ ａ ｃ ｄ ａ ａ ｅ ｏ ｎ ｔ Ａｌ ｏ ｉ ｎ ｃ ｈ ｉ ｔ ｅ ｐ ｗｅ ｆ ｌａ ｉ ｔ ｎ ｏ ｅ ａ ｌ ｅ ｒ ｈ ｎ ｕ ｓ ｏ ｖ ｒ ｅ ｎ ａ ｖ ｓ ｉ ｉ ｎ ｅ ｅ ｓｌ ．Ｉ ｉ ｐ ｔ ｆ ｒ ｒ ｈ ｓ ｐ ｐ ｒ ｔ ａ ｎ ｒ ｒ ｄ ｓ ａｌ ｔｒ ｅ ｍａ ｅ ｐ ｏ ｅ ｓ ｇ ａ ｄ ｄ ｓ ｒｍ ｎ ｔ ｇ ａｉ ｙ ｔ ｓ ｕ ｏ ｗａ ｄ ｉ ｔ ｉ ａ ｅ ｈ ｔ ｉ ｆａ ｅ ｍ ｌ ａ ｇ ｔ ｉ ｇ ｒ ｃ ｓ ｉ ｎ ｎ ｎ ｉｃ ｉ ａｉ ｉ ｎ ｔｃ ｎ ｌ ｇ ａ ｅ ｎ ｇ ｎ ｔ ｌｏ ｉ ｍ ｏ ｓｒ ｈ — ａｕ ｐ ｉ ｚ ｔ ｎ ｔ ｅ ｒ ｌ ｅ ｏ ｋ ａ ｃ ｒ ｉ ｇ ｔ ｅ ｅ ｈ ｏ ｏ ｙ ｂ ｓ ｄ ｏ ｅ ｅｉ ａｇ ｒ ｈ ｄ ｅ ｇ ｔ ｌ ｅ ｏ ｔ ｃ ｔ ｉ ｖ ｍｉ ａ ｉ ＢＰ ｎ ｕ ａ ｔ ｒ ｃ ｏ ｄ ｎ ｏ ｔ ｏ ｏ ｎｗ ｈ ａ ｖ ｎ ａ ｅ ｄ ｄ ｓ ｄ ａ ｔｇ ｓ ｉ ｅ ｅｉ ｌ ｏ ｉ ｍ ｄ ｎ ｕ ａ ｅ ｏ ｋ Ｃｏ ｕ ｅ ｉ ｌｔ ｎ ｒ ｉ ｅ ｏ ｄ ａ ｔｇ ｓ ａ ｉａ ｖ ａ ｅ ｇ ｎ ｔ ａ ｇ ｒｔ ａ ｅ ｒ ｌ ｔ ｒ ． ｍｐ ｔ ｒｓｍｕ ａ ｉ ｓａ ｇ ｖ ｎ ｔ ｎ ｎ ｎ ｃ ｈ ｎ ｎｗ ｏ ｅ ｄ ｍｏ ｓｒ ｔ ｈ ｈ ｏ ｖ ｒ ｅ ｃ ａ ｅ ｏ ｅ ｍｏ ｅ ｓｆ ｓｅ ａ ｔ ｅ ｏ ｖ ｎ ｉ ｎ ｌ ｔ ｏ ｓ ａ ｄ ｐ ｓ ｅ ｓ ｅ ｎ ｔａｅ ｔ ａ ｔ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｒ ｔ ｆｔ ｄ ｌｉ ａ ｔ ｒｔ ｎ ｏ ｈ ｒｃ ｎ ｅ ｔ ａ ｔ ｈ ｈ ｏ ｍｅ ｈ ｄ ｏ ｓ ｓ ｎ
一种新的红外机动目标识别算法
第４ ３卷 第 ３期
２ ０ １ ３年 ３月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ １ ． ４ ３． Ｎｏ． ３ Ｍａ ｒ ｃ ｈ． ２ ０１ ３
文章编号 ： １ ０ ０ １ － ５ ０ ７ ８ （ ２ ０ １ ３ ） ０ ３ － ０ ３ ２ ４ － ０ ５
ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｉ ｔ ｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｅ ｓ ｐｅ ｃ ｉ ａ ｌ ｌ ｙ ｆ ｏ ｒ ｔ ｈ ｅ ｐａ ｒ ｔ ｉ ａ ｌ ｌ ｙ ｏ ｃ ｃ ｌ ｕｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｋｅ ｙ ｗｏｒ ｄ ｓ： ｂ ａ ｃ ｔ ｅ ｒ ｉ ａ ｌ ｆ ｏ ｒ ａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ； ＢＰ ｎ ｅ ｕ ｒ ￣ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ； ｔ ａ ｒ ｇ ｅ ｔ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
的识 别算 法。通 过 自适应 步长 的细菌 觅 食 算法 对 Ｂ Ｐ神 经 网络进 行 优 化 ， 利 用 图像 中 目标 的 最左 点和 最右 点及 两极 点上 部 的 目标边 缘信 息构 造 以局 部 面积 比组成 的特征 向量 ， 通过 神 经 网络 对 目标 分 类识别 。实验 结果表 明本 文提 出的识别 算 法不仅 提 高 了 Ｂ Ｐ神经 网络 的收敛 速 度和 计算 精度 ， 同时有 效地提 高 了对机 动 目标 的识别率 ， 当 目标 部分 区域被 遮挡 时也 有很好 的
ｎ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｏ ｆ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ｏ ｆ ｍｏ ｂ ｉ ｌ ｅ
２ ０ １ ３年 ３月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ １ ． ４ ３． Ｎｏ． ３ Ｍａ ｒ ｃ ｈ． ２ ０１ ３
文章编号 ： １ ０ ０ １ － ５ ０ ７ ８ （ ２ ０ １ ３ ） ０ ３ － ０ ３ ２ ４ － ０ ５
ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｉ ｔ ｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｅ ｓ ｐｅ ｃ ｉ ａ ｌ ｌ ｙ ｆ ｏ ｒ ｔ ｈ ｅ ｐａ ｒ ｔ ｉ ａ ｌ ｌ ｙ ｏ ｃ ｃ ｌ ｕｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｋｅ ｙ ｗｏｒ ｄ ｓ： ｂ ａ ｃ ｔ ｅ ｒ ｉ ａ ｌ ｆ ｏ ｒ ａ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ； ＢＰ ｎ ｅ ｕ ｒ ￣ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ； ｔ ａ ｒ ｇ ｅ ｔ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
的识 别算 法。通 过 自适应 步长 的细菌 觅 食 算法 对 Ｂ Ｐ神 经 网络进 行 优 化 ， 利 用 图像 中 目标 的 最左 点和 最右 点及 两极 点上 部 的 目标边 缘信 息构 造 以局 部 面积 比组成 的特征 向量 ， 通过 神 经 网络 对 目标 分 类识别 。实验 结果表 明本 文提 出的识别 算 法不仅 提 高 了 Ｂ Ｐ神经 网络 的收敛 速 度和 计算 精度 ， 同时有 效地提 高 了对机 动 目标 的识别率 ， 当 目标 部分 区域被 遮挡 时也 有很好 的
ｎ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｏ ｆ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ｏ ｆ ｍｏ ｂ ｉ ｌ ｅ
基于模糊聚类-BP神经网络模型的战场目标识别
樊桂印, 周永生
(南昌陆军学院, 江西 南昌 330103)
摘 要: 神经网络可 以用来识别战场目标, 但是传统神经 网络具有样本多、 学习速度慢的问题。 为了解决上述问题, 建立 了一种基于模糊聚类和神经网络相结合的目标识别模型。仿真实验表明, 用该模型进行目标识别, 可以科学地选取样本, 提高 网络的训练速度和运行速度, 并且能确保目标识别的正确率。 关键词: 模糊聚类, B P 神经网络, 目标识别 中图分类号: TP 18 文献标识码:A
Resea r ch on Tar get Iden t if ica t ion M ethod ba sed on F uzzy C luster in g- BP Neura l Networ k M odel
FAN Gui2yin , ZHOU Yong2sheng
(N an cha ng A rmy Colleg e, N an cha ng 330103, Ch ina )
收稿日期: 2 00 6211 2 1 6 修回日期: 2 00 7205 2 07 作者 简介: 樊桂印 (1 96 42 ) , 男, 副教 授, 主 要研 究方向: 炮 兵作战指挥。
樊桂印, 等: 基于模糊聚类2 B P 神经网络模型的战场目标识别
111
特征; ③烟云特征; ④运动特征; ⑤配置特征。 目标声音特 征, 是指 侦察获得 的目标发 出的声 响信息。 如火炮 射击 时发出 的声 音 、 机 场飞 机起降 时发 出的 轰鸣 声 等 。 目标闪光特征, 是指目标发出的特有的闪光。 如火炮、 导 弹发射时的闪光特征, 机场跑道信号灯等。 目标烟云特征, 此处是指各种武器发射时发出的不 同形 状 、 颜色的烟。 一般它能在目标区存在相当长时间, 较容易发 现 。 目标运动特征, 此处, 不包括武器发射时发出的闪光、 烟 云和声响等征候, 而是指火炮、 车辆的来往运动, 雷达 天线的 转动等这类特征信息 。 目标配置特征, 是指被判断的目标区是否适合被识 别目 标的地形条件和配置原则 。 不同的作战对象 、 不同的 目标对 配置地域的面积大小 、 地形起伏、 地质状况等有不同的要求, 而且与战术原则有着直接的关系。 因此目标的配置特征是最 复杂的, 也是非常有用的目标信息。 表 1 目标声音特征编码表 输入模式
(南昌陆军学院, 江西 南昌 330103)
摘 要: 神经网络可 以用来识别战场目标, 但是传统神经 网络具有样本多、 学习速度慢的问题。 为了解决上述问题, 建立 了一种基于模糊聚类和神经网络相结合的目标识别模型。仿真实验表明, 用该模型进行目标识别, 可以科学地选取样本, 提高 网络的训练速度和运行速度, 并且能确保目标识别的正确率。 关键词: 模糊聚类, B P 神经网络, 目标识别 中图分类号: TP 18 文献标识码:A
Resea r ch on Tar get Iden t if ica t ion M ethod ba sed on F uzzy C luster in g- BP Neura l Networ k M odel
FAN Gui2yin , ZHOU Yong2sheng
(N an cha ng A rmy Colleg e, N an cha ng 330103, Ch ina )
收稿日期: 2 00 6211 2 1 6 修回日期: 2 00 7205 2 07 作者 简介: 樊桂印 (1 96 42 ) , 男, 副教 授, 主 要研 究方向: 炮 兵作战指挥。
樊桂印, 等: 基于模糊聚类2 B P 神经网络模型的战场目标识别
111
特征; ③烟云特征; ④运动特征; ⑤配置特征。 目标声音特 征, 是指 侦察获得 的目标发 出的声 响信息。 如火炮 射击 时发出 的声 音 、 机 场飞 机起降 时发 出的 轰鸣 声 等 。 目标闪光特征, 是指目标发出的特有的闪光。 如火炮、 导 弹发射时的闪光特征, 机场跑道信号灯等。 目标烟云特征, 此处是指各种武器发射时发出的不 同形 状 、 颜色的烟。 一般它能在目标区存在相当长时间, 较容易发 现 。 目标运动特征, 此处, 不包括武器发射时发出的闪光、 烟 云和声响等征候, 而是指火炮、 车辆的来往运动, 雷达 天线的 转动等这类特征信息 。 目标配置特征, 是指被判断的目标区是否适合被识 别目 标的地形条件和配置原则 。 不同的作战对象 、 不同的 目标对 配置地域的面积大小 、 地形起伏、 地质状况等有不同的要求, 而且与战术原则有着直接的关系。 因此目标的配置特征是最 复杂的, 也是非常有用的目标信息。 表 1 目标声音特征编码表 输入模式
基于自适应时延神经网络的空间红外点目标识别
基于自适应时延神经网络的空间红外点目标识别作者：吕江北刘涛高峰等来源：《现代电子技术》2009年第22期摘要:神经网络方法是当前解决空间点目标识别问题的一类主要方法。
为提高目标的正确识别率,提出一种基于空间点目标红外辐射序列的自适应时延神经网络(ATNN)识别方法。
ATNN采用可调整的时延结构,在网络训练时可以针对输入自适应调整延迟步长,更加适用于变化剧烈的红外时序信号识别。
该方法以目标的双波段红外辐射强度序列作为网络特征输入,对ATNN进行训练,然后用训练好的ATNN对目标进行分类识别。
实验表明,该方法在不同信噪比的条件下,均能有效提高目标的正确识别率,并且具有一定的抗噪性,应用前景良好。
关键词:空间目标;红外辐射;自适应时延神经网络;目标识别中图分类号:TP391.41;P472.10 引言随着军事斗争空域的扩展,特别是空间电子对抗的兴起,大气层外的空间目标数量迅速增加。
空间目标群在大气层外飞行时,由于距离探测器较远,它们在探测器上所成形的像的面积较小,可近似为点目标,无法从形状上对它们进行分别。
同时由于没有大气衰减的影响,空间目标及其伴飞物的速度、运动轨迹也基本相同,这使得用于识别目标的信息很少。
红外光谱辐射是物体的本质属性,它不仅易于测量,而且对于不同空间物体具有不同的辐射特性,因而有效利用红外光谱辐射信息对空间目标进行识别已成为倍受关注的研究课题之一。
时延神经网络是一种常用的空间目标识别方法,它在BP网络的基础上加入延时器,具有记忆功能,同时它以目标的红外辐射度作为特征输入,解决了空间点目标特征提取困难的问题,对红外辐射序列具有较好的识别效果。
但由于它对所有时刻的输入样本采用固定的时延,对红外辐射强度变化剧烈的目标识别效果较差。
本文通过对目标在大气层外飞行过程中的红外辐射强度序列仿真数据进行分析,提出利用自适应时延神经网络对目标进行识别。
ATNN是在TDNN的基础上改变延时器的时延,针对不同输入采用可以自适应调整的时延,更加适应复杂环境下红外辐射度变化剧烈的红外点目标识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ａｎ
ｃｉｓｉｏｎ．Ａｃｃｏｒｄｉｎｇ
ｓａｍｐｌｅ ｆｅａｔｕｒｅ ｌｉｂｒａｒｙ，ｔｈｅｎ
ｔｏ
ｔｏ
ａｉｒ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ
ｍｏｄｅｉ ｂａｓｅｄ
ｏｎ
ｔｈｅ
ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ｕｓｉｎｇ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｔａｒｇｅｔ
ｐｒｏｖｅ ｔｈｅ ｓｔａｂｉｌｉｔｙ ａｎｄ Ｋｅｙ
ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ．ｒｅｄｕｃｅ ｔｈｅ
ｅｒｒｏｒ
ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｂｏｕｔ ｉｎｄｉｖｉｄｕａｌ
ｍｉｓｊｕｄｇｍｅｎｔ．
Ｗｏｒｄｓ
ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ｉｎｆｒａｒｅｄ ｉｍａｇｅ，ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ，ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ＴＰ３９ １
ｉｎｔｒｏｄｕｃｅ
ｔｏ ｔｏ
ｃｌｅ ｉｓ
ｔｏ
ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔａｒｇｅｔ ｏｆ ａｉｒ ｐｌａｎｅ，ｔｈｅ ａｉｒ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｓ ｔｈｅ ｆｅａｔｕｒｅ ｏｆ ｉｎｆｒａｒｅｄ ｔａｒｇｅｔ，ｇｅｔ
ａ
ｏｎｅ
ｏｆ ｔｈｅ ｋｅｙ ｌｉｎｋｓ ａｂｏｕｔ ａｉｒ ｄｅｆｅｎｓｅ ｏｐｅｒａｔｉｏｎｓ ａｉｄｅｄ ｄｅ— ｅｓｔａｂｌｉｓｈ
２基于ＢＰ神经网络的目标识别算法
２．１
ＢＰ神经网络理论简介
ＢＰ（Ｂａｅｋ
Ｐｒｏｐａｇａｔｉｏｎ）神经网络即误差反传误差反向
传播算法的学习过程日］，由信息的正向传播和误差的反向 传播两个过程组成。１９８６年由Ｒｕｍｅｌｈａｒｔ和Ｍｃｃｅｌｌａｎｄ为 首的科学家小组提出，是一种按误差逆传播算法训练的多 层前馈网络，是目前应用最广泛的神经网络模型之一。ＢＰ 神经网络是一种具有三层或三层以上的多层神经网络，包 括输入层、隐层和输出层，它的每一层都由若干个神经元组 成，它的左、右各层之间各个神经元实现全连接。由于ＢＰ 网络有处于中间位置的隐含层，并有相应的学习规则可循， 可训练这种网络，使其具有对非线性模式的识别能力，特别 是它的数学意义、步骤分明的学习，更使其有广泛的应用前
１８０．
ｏｎ
Ｍｅｎｇ，ｅｔ ａ１．Ｈｉｇｈ
ＱＩＡＮ Ｒｕｔ．Ｃｏｍｐｕｔｅ Ｕｎｉｆｉｅｄ Ｄｅｖｉｃｅ Ａｒｃｈｉｔｅｃｔｕｒｅ
Ｇｒａｐｈｉｃｓ
ｃｏｍｐｕｔａｔｉｏｎ ｂａｓｅｄ
ｏｎ
ＣＵＤＡ［Ｊ］．Ａｐｐｌｉｅａ—
总第２８２期 ２０１３年第４期
计算机与数字工程
Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ
Ｖ０１．４１ Ｎｏ．４ ５５９
基于ＢＰ神经网络的红外目标识别技术＋
范浩锋刘俊
（杭州电子科技大学自动化学院杭州
３１００１８）
摘要论文主要研究的是基于ＢＰ神经网络的红外目标识别技术，红外目标的检测识别是红外搜索与跟踪系统、精确制导系统、红外 预警系统等的一项核心技术。论文重点是介绍对空中飞机目标的识别，空中目标识别是防空作战辅助决策的关键环节之一。根据红外目标 的各种属性，提取构建样本特征库，从而建立基于ＢＰ神经网络原理的空中目标识别模型。利用ＢＰ神经网络的训练函数采集样本特征数 据，得到稳定的权值和阈值，为后续的目标识别分类提供依据。该模型主要利用神经网络的记忆、联想、容错功能，进一步提高目标识别的稳 定性和可信度，降低了个别误判而造成目标识别错误的概率。 关键词ＢＰ神经网络；红外图像；特征提取；目标识别 中图分类号ＴＰ３９ｌ
Ｌｉｊｕｎ，Ｉ．ＩＮ ｌａｎ．Ｇｅｎｅｒａｌ—Ｐｕｒｐｏｓｅ Ｃｏｍｐｕｔａ—
ａｎｄ Ｄｉｇｉｔａｌ Ｅｎｇｉ—
Ｐｒｏｇｒａｍｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｍｅａｓｕｒｅｍｅｎｔ＆．Ｃｏｎｔｒｏｌ，２００９，１７
（１２）：２５０４—２５０６．
Ｇｒａｐｈｉｃｓ
Ｐｒｏｃｅｓｓｐｒｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ
（ｂ）软件识别框架
ｌｃ）神经州络 识别效果
图３软件整体框架和识别效果 目标识别神经网络模型 （下转第６５３页）
万方数据
２０１３年第４期
ｍｉｚａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ
计算机与数字工程
Ｍｅｍｏｒｙ Ａｃｃｅｓｓ ｏｆ ＣＵＤＡ
Ｐａｒａｌｌｅｌ ＺＨＡＮＧ Ｈａｏ．ＬＩ ｔｉｏｎ
ｏｎ
６５３
景。
＊收稿日期：２０１２年９月２７日，修回日期：２０１２年１１月３日 作者简介：范浩锋，男，研究方向：红外目标识别。
万方数据
５６０
范浩锋等：基于ＢＰ神经网络的红外目标识别技术 ＢＰ神经网络的学习过程主要由如下四部分组成Ｅ“：输
第４１卷
３基于ＢＰ神经网络的目标识别模型设计
３．１提取特征库 基于ＢＰ神经网络的红外目标识别技术在神经网络训 练时要建立一个图像库和特征库，图像库和特征库之间存 在着一定的映射关系，每一幅图像则对应着该目标的部分 特征值信息。 样本库采用的是飞机、轮船、坦克三种目标图像的集合，整 个图像库包含总共３０张图像，其中１０张为飞机目标图像，１４ 张为轮船目标图像，以及６张坦克目标图像。在１４张轮船图 像中包括了三种船类图像，主要包括货轮、游轮和舰船。将图 像库中图像进行特征提取并归一化数据如表１所示。
（Ｊ＝１，２，…，ｐ）
（１）
其中，职，是输人层至中间层的连接权；研是中间层单元的
阈值；Ｐ是中间层的单元数。激活函数采用Ｓ型函数，即
ｆ（ｘ）一再而１
（２）
飞机一１ 飞机一２ 坦克一６
０．０５６８４８ ０．００３８９４ ０．８６５６４ｌ ０．０６８４７５ ０．００４７４８ ０．７８４３６１
０．９０５７４２ ０．７８５７８０
Ｃｌａｓｓ
Ｎｕｇｌｎｌ舱ｒ
１
引言
本文主要是研究基于ＢＰ神经网络的红外目标识别技
有的采用模板匹配等等。为了解决庞大的状态图存储问 题，以及随之而来的耗费时间的识别搜索过程，则采用ＢＰ 神经网络对众多的样本特征信息进行分布式存储，同时由 于神经网络并行算法的本质，也大大缩短了识别搜索时间。
术。把红外成像技术引人到目标识别检测中，则可在一定 程度上有效解决夜间及雾天等不良气候条件下的飞机目 标识别与控制运行安全问题。红外目标的检测识别，是红 外搜索与跟踪系统、精确制导系统、红外预警系统、大视场 目标监视系统、卫星遥感系统、船舶主动安全预警等的一 项核心技术［１］。红外图像中目标检测技术的研究包含两 个方面：从系统方面研究，从系统方面的研究包括探测器、 光学系统和读出电路系统以及器件非均匀性校正方面的 研究，主要的目的是为了提高空间分辨率、灵敏度和响应 的一致性，以期提高系统作用距离从而提高系统对目标的 检测能力；从图像处理方面研究，从图像处理的角度来说， 输入的是图像，前端系统的性能可以认为是已知的，目标 的检测就是研究合理的算法和理论，从而最大程度的发挥 系统性能。 飞机的识别无论在军事上还是民用上都具有重大意 义。目前对可见光图像中的飞机识别的方法有很多种，有 的应用角点特征和核聚类算法１２ｊ，有的基于闭合轮廓特征，
ｃｏｌｌｅｃｔｉｎｇ ｄａｔａ ｏｆ ｆｅａｔｕｒｅ，ｇｅｔ ｔｈｅ ｓｔａｂｌｅ ｗｅｉｇｈｔｓ ｔｈｒｅｓｈｏｌｄ，ｔｏ ｐｒｏｖｉｄｅ ｔｈｅ
ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅ ｍｏｄｅｌ ｍａｉｎｌｙ ｕｓｉｎｇ ｔｈｅ ｍｅｍｏｒｙ，ｔｈｏｕｇｈｔ，ｆａｕｌｔ—ｔｏｌｅｒａｎｔ ｆｕｎｃｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ａｎｄ ｆｕｒｔｈｅｒ ｉｍ
表ｌ训练样本特征库归一化部分数据 轮廓 面积 平均幅度不变矩１不变矩２
１．００００００ １．００００００
入模式顺传播（输入模式由输入层经中间层向输出层传播 计算）；输出误差逆传播（输出的误差由输出层经中间层传 向输入层）；循环记忆训练（模式顺传播与误差逆传播的计 算过程反复交替循环进行）；学习结果判断（判定全局误差 是否趋向极小值）。 在输入模式顺序传播中主要是利用输入模式求出它对 应的实际输出，主要公式如下。 计算中间层各神经元的激活值ｓ， Ｓ，一＞：（ｗ。・Ｔ。）－６
ｎｅｅｒｉｎｇ，２００５，３３（１２）：６０—６２．
［１１］赵丽丽，张盛兵，张萌。等．基于ＣＵＤＡ的高速ＦＦＴ计算［ＡＯ Ｌｉｌｔ．ＺＨＡＮＧ Ｓｈｅｎｇｂｉｎｇ．ＺＨＡＮＧ ｐｅｒｆｏｒｍａｎｃｅ ＦＦＴ
［１４］钱锐．图形处理器ＣＵＤＡ编程模型的应用研究［Ｊ］．计算机与 数字工程，２００８，３６（１２）：１７７
这里之所以选Ｓ型函数为ＢＰ神经网络神经元的激活 函数，是因为它是连续可微分的，而且更接近于生物神经元 的信号输出形式。将上面的激活值带入激活函数中可以得 到中间层ｊ单元的输出值。 当这些实际输出值与希望的输出值不一样或者误差大 于所限定的数值时，就要对网络进行矫正，则可利用输出层 的矫正误差研和中间层各单元的矫正误差ｅ÷沿逆向逐层 调整输出层至中间层，中间层至输入层的权值。 ２．２确定输入输出向量 本系统中介绍的输入向量主要是根据图像提取出来的 五种特征，依次包括轮廓、面积、平均幅度、不变矩１和不变 矩２［５］，因此，输入层的节点数是５。输出向量由识别类型 决定，本文主要是对飞机目标的识别，是将飞机与轮船和坦 克区分开来，用０来代表飞机目标图像，用１来代表其它类 型目标图像，所以输出层的节点数为２。 ２．３确定隐含层节点个数 隐含层节点个数对于整个ＢＰ神经网络的收敛速度以 及网络精度都有较大的影响。如何合理选取隐节点的个数 对于尽快达成ＢＰ网络的稳定状态具有决定性的作用，因 此确定隐节点的个数也是建立目标识别模型的重要内容之 在大多数情况下，隐含层节点数根据以往设计者们积 累的大量经验得到。本文采用经验公式确定隐含层节点 数，计算值按四舍五人法进行圆整［６］。
ｓ一舨两丽Ｆ而了磊耳夏丐而干Ｆ丽再而＋ｏ．５１
ｃｉｓｉｏｎ．Ａｃｃｏｒｄｉｎｇ
ｓａｍｐｌｅ ｆｅａｔｕｒｅ ｌｉｂｒａｒｙ，ｔｈｅｎ
ｔｏ
ｔｏ
ａｉｒ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ
ｍｏｄｅｉ ｂａｓｅｄ
ｏｎ
ｔｈｅ
ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ｕｓｉｎｇ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｔｒａｉｎｉｎｇ ｆｕｎｃｔｉｏｎ ｂａｓｉｓ ｆｏｒ ｔｈｅ ｔａｒｇｅｔ
ｐｒｏｖｅ ｔｈｅ ｓｔａｂｉｌｉｔｙ ａｎｄ Ｋｅｙ
ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ．ｒｅｄｕｃｅ ｔｈｅ
ｅｒｒｏｒ
ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｂｏｕｔ ｉｎｄｉｖｉｄｕａｌ
ｍｉｓｊｕｄｇｍｅｎｔ．
Ｗｏｒｄｓ
ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ｉｎｆｒａｒｅｄ ｉｍａｇｅ，ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ，ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ＴＰ３９ １
ｉｎｔｒｏｄｕｃｅ
ｔｏ ｔｏ
ｃｌｅ ｉｓ
ｔｏ
ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔａｒｇｅｔ ｏｆ ａｉｒ ｐｌａｎｅ，ｔｈｅ ａｉｒ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｓ ｔｈｅ ｆｅａｔｕｒｅ ｏｆ ｉｎｆｒａｒｅｄ ｔａｒｇｅｔ，ｇｅｔ
ａ
ｏｎｅ
ｏｆ ｔｈｅ ｋｅｙ ｌｉｎｋｓ ａｂｏｕｔ ａｉｒ ｄｅｆｅｎｓｅ ｏｐｅｒａｔｉｏｎｓ ａｉｄｅｄ ｄｅ— ｅｓｔａｂｌｉｓｈ
２基于ＢＰ神经网络的目标识别算法
２．１
ＢＰ神经网络理论简介
ＢＰ（Ｂａｅｋ
Ｐｒｏｐａｇａｔｉｏｎ）神经网络即误差反传误差反向
传播算法的学习过程日］，由信息的正向传播和误差的反向 传播两个过程组成。１９８６年由Ｒｕｍｅｌｈａｒｔ和Ｍｃｃｅｌｌａｎｄ为 首的科学家小组提出，是一种按误差逆传播算法训练的多 层前馈网络，是目前应用最广泛的神经网络模型之一。ＢＰ 神经网络是一种具有三层或三层以上的多层神经网络，包 括输入层、隐层和输出层，它的每一层都由若干个神经元组 成，它的左、右各层之间各个神经元实现全连接。由于ＢＰ 网络有处于中间位置的隐含层，并有相应的学习规则可循， 可训练这种网络，使其具有对非线性模式的识别能力，特别 是它的数学意义、步骤分明的学习，更使其有广泛的应用前
１８０．
ｏｎ
Ｍｅｎｇ，ｅｔ ａ１．Ｈｉｇｈ
ＱＩＡＮ Ｒｕｔ．Ｃｏｍｐｕｔｅ Ｕｎｉｆｉｅｄ Ｄｅｖｉｃｅ Ａｒｃｈｉｔｅｃｔｕｒｅ
Ｇｒａｐｈｉｃｓ
ｃｏｍｐｕｔａｔｉｏｎ ｂａｓｅｄ
ｏｎ
ＣＵＤＡ［Ｊ］．Ａｐｐｌｉｅａ—
总第２８２期 ２０１３年第４期
计算机与数字工程
Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ
Ｖ０１．４１ Ｎｏ．４ ５５９
基于ＢＰ神经网络的红外目标识别技术＋
范浩锋刘俊
（杭州电子科技大学自动化学院杭州
３１００１８）
摘要论文主要研究的是基于ＢＰ神经网络的红外目标识别技术，红外目标的检测识别是红外搜索与跟踪系统、精确制导系统、红外 预警系统等的一项核心技术。论文重点是介绍对空中飞机目标的识别，空中目标识别是防空作战辅助决策的关键环节之一。根据红外目标 的各种属性，提取构建样本特征库，从而建立基于ＢＰ神经网络原理的空中目标识别模型。利用ＢＰ神经网络的训练函数采集样本特征数 据，得到稳定的权值和阈值，为后续的目标识别分类提供依据。该模型主要利用神经网络的记忆、联想、容错功能，进一步提高目标识别的稳 定性和可信度，降低了个别误判而造成目标识别错误的概率。 关键词ＢＰ神经网络；红外图像；特征提取；目标识别 中图分类号ＴＰ３９ｌ
Ｌｉｊｕｎ，Ｉ．ＩＮ ｌａｎ．Ｇｅｎｅｒａｌ—Ｐｕｒｐｏｓｅ Ｃｏｍｐｕｔａ—
ａｎｄ Ｄｉｇｉｔａｌ Ｅｎｇｉ—
Ｐｒｏｇｒａｍｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｍｅａｓｕｒｅｍｅｎｔ＆．Ｃｏｎｔｒｏｌ，２００９，１７
（１２）：２５０４—２５０６．
Ｇｒａｐｈｉｃｓ
Ｐｒｏｃｅｓｓｐｒｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ
（ｂ）软件识别框架
ｌｃ）神经州络 识别效果
图３软件整体框架和识别效果 目标识别神经网络模型 （下转第６５３页）
万方数据
２０１３年第４期
ｍｉｚａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ
计算机与数字工程
Ｍｅｍｏｒｙ Ａｃｃｅｓｓ ｏｆ ＣＵＤＡ
Ｐａｒａｌｌｅｌ ＺＨＡＮＧ Ｈａｏ．ＬＩ ｔｉｏｎ
ｏｎ
６５３
景。
＊收稿日期：２０１２年９月２７日，修回日期：２０１２年１１月３日 作者简介：范浩锋，男，研究方向：红外目标识别。
万方数据
５６０
范浩锋等：基于ＢＰ神经网络的红外目标识别技术 ＢＰ神经网络的学习过程主要由如下四部分组成Ｅ“：输
第４１卷
３基于ＢＰ神经网络的目标识别模型设计
３．１提取特征库 基于ＢＰ神经网络的红外目标识别技术在神经网络训 练时要建立一个图像库和特征库，图像库和特征库之间存 在着一定的映射关系，每一幅图像则对应着该目标的部分 特征值信息。 样本库采用的是飞机、轮船、坦克三种目标图像的集合，整 个图像库包含总共３０张图像，其中１０张为飞机目标图像，１４ 张为轮船目标图像，以及６张坦克目标图像。在１４张轮船图 像中包括了三种船类图像，主要包括货轮、游轮和舰船。将图 像库中图像进行特征提取并归一化数据如表１所示。
（Ｊ＝１，２，…，ｐ）
（１）
其中，职，是输人层至中间层的连接权；研是中间层单元的
阈值；Ｐ是中间层的单元数。激活函数采用Ｓ型函数，即
ｆ（ｘ）一再而１
（２）
飞机一１ 飞机一２ 坦克一６
０．０５６８４８ ０．００３８９４ ０．８６５６４ｌ ０．０６８４７５ ０．００４７４８ ０．７８４３６１
０．９０５７４２ ０．７８５７８０
Ｃｌａｓｓ
Ｎｕｇｌｎｌ舱ｒ
１
引言
本文主要是研究基于ＢＰ神经网络的红外目标识别技
有的采用模板匹配等等。为了解决庞大的状态图存储问 题，以及随之而来的耗费时间的识别搜索过程，则采用ＢＰ 神经网络对众多的样本特征信息进行分布式存储，同时由 于神经网络并行算法的本质，也大大缩短了识别搜索时间。
术。把红外成像技术引人到目标识别检测中，则可在一定 程度上有效解决夜间及雾天等不良气候条件下的飞机目 标识别与控制运行安全问题。红外目标的检测识别，是红 外搜索与跟踪系统、精确制导系统、红外预警系统、大视场 目标监视系统、卫星遥感系统、船舶主动安全预警等的一 项核心技术［１］。红外图像中目标检测技术的研究包含两 个方面：从系统方面研究，从系统方面的研究包括探测器、 光学系统和读出电路系统以及器件非均匀性校正方面的 研究，主要的目的是为了提高空间分辨率、灵敏度和响应 的一致性，以期提高系统作用距离从而提高系统对目标的 检测能力；从图像处理方面研究，从图像处理的角度来说， 输入的是图像，前端系统的性能可以认为是已知的，目标 的检测就是研究合理的算法和理论，从而最大程度的发挥 系统性能。 飞机的识别无论在军事上还是民用上都具有重大意 义。目前对可见光图像中的飞机识别的方法有很多种，有 的应用角点特征和核聚类算法１２ｊ，有的基于闭合轮廓特征，
ｃｏｌｌｅｃｔｉｎｇ ｄａｔａ ｏｆ ｆｅａｔｕｒｅ，ｇｅｔ ｔｈｅ ｓｔａｂｌｅ ｗｅｉｇｈｔｓ ｔｈｒｅｓｈｏｌｄ，ｔｏ ｐｒｏｖｉｄｅ ｔｈｅ
ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅ ｍｏｄｅｌ ｍａｉｎｌｙ ｕｓｉｎｇ ｔｈｅ ｍｅｍｏｒｙ，ｔｈｏｕｇｈｔ，ｆａｕｌｔ—ｔｏｌｅｒａｎｔ ｆｕｎｃｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ａｎｄ ｆｕｒｔｈｅｒ ｉｍ
表ｌ训练样本特征库归一化部分数据 轮廓 面积 平均幅度不变矩１不变矩２
１．００００００ １．００００００
入模式顺传播（输入模式由输入层经中间层向输出层传播 计算）；输出误差逆传播（输出的误差由输出层经中间层传 向输入层）；循环记忆训练（模式顺传播与误差逆传播的计 算过程反复交替循环进行）；学习结果判断（判定全局误差 是否趋向极小值）。 在输入模式顺序传播中主要是利用输入模式求出它对 应的实际输出，主要公式如下。 计算中间层各神经元的激活值ｓ， Ｓ，一＞：（ｗ。・Ｔ。）－６
ｎｅｅｒｉｎｇ，２００５，３３（１２）：６０—６２．
［１１］赵丽丽，张盛兵，张萌。等．基于ＣＵＤＡ的高速ＦＦＴ计算［ＡＯ Ｌｉｌｔ．ＺＨＡＮＧ Ｓｈｅｎｇｂｉｎｇ．ＺＨＡＮＧ ｐｅｒｆｏｒｍａｎｃｅ ＦＦＴ
［１４］钱锐．图形处理器ＣＵＤＡ编程模型的应用研究［Ｊ］．计算机与 数字工程，２００８，３６（１２）：１７７
这里之所以选Ｓ型函数为ＢＰ神经网络神经元的激活 函数，是因为它是连续可微分的，而且更接近于生物神经元 的信号输出形式。将上面的激活值带入激活函数中可以得 到中间层ｊ单元的输出值。 当这些实际输出值与希望的输出值不一样或者误差大 于所限定的数值时，就要对网络进行矫正，则可利用输出层 的矫正误差研和中间层各单元的矫正误差ｅ÷沿逆向逐层 调整输出层至中间层，中间层至输入层的权值。 ２．２确定输入输出向量 本系统中介绍的输入向量主要是根据图像提取出来的 五种特征，依次包括轮廓、面积、平均幅度、不变矩１和不变 矩２［５］，因此，输入层的节点数是５。输出向量由识别类型 决定，本文主要是对飞机目标的识别，是将飞机与轮船和坦 克区分开来，用０来代表飞机目标图像，用１来代表其它类 型目标图像，所以输出层的节点数为２。 ２．３确定隐含层节点个数 隐含层节点个数对于整个ＢＰ神经网络的收敛速度以 及网络精度都有较大的影响。如何合理选取隐节点的个数 对于尽快达成ＢＰ网络的稳定状态具有决定性的作用，因 此确定隐节点的个数也是建立目标识别模型的重要内容之 在大多数情况下，隐含层节点数根据以往设计者们积 累的大量经验得到。本文采用经验公式确定隐含层节点 数，计算值按四舍五人法进行圆整［６］。
ｓ一舨两丽Ｆ而了磊耳夏丐而干Ｆ丽再而＋ｏ．５１