卷积神经网络在SAR目标识别中的应用

针对SAR目标识别问题,提出了基于卷积神经网络的SAR目标识别方法,并在此基础上对算法进行改进,提出CNN-SVM模型。将传统卷积神经网络的soft-max分类器替换为支持向量机,并对卷积神经网络提取的特征进行分类。首先对样本做剪裁、去噪处理,然后通过加噪、去噪等方法对样本进行扩充。通过对MSTAR数据集进行仿真发现:传统的卷积神经网络和改进后的卷积神经网络对3类目标的最佳识别正确率分别为97.5%和99.4%,证明了所提算法的有效性。     

高等学校数学教学改革的研究

为了适应 2 1世纪我国社会主义建设对培养跨世纪高素质人才的需要 ,使高等教育的改革和发展能够适应面向 2 1世纪社会发展和经济建设的需求 ,对我院数学课程教学内容和教学方法的改革提出一些设想和措施并付诸实施 ,收到了良好的效果。     

发展农村非农产业促进农业劳动力转移--城市化进程中的农业劳动力转移思考

城市化是人类生产与生活方式由农村型向城市型转化的运动过程,在此过程中,农民的再就业问题显得十分关键.由于城市失业下岗工人不断增加和城市失业率不断上升,则发展农村非农产业无疑成为促进农民的再就业的一个重要方面.     

基于EMD和提升小波改进阈值函数的水听器信号去噪研究

在检测水中目标时,使用水听器采集的声波信号中通常掺杂着大量的噪声。为了达到去除噪声的目的,提出一种基于EMD和提升小波改进阈值函数结合的方法。首先利用EMD将含噪的水听器信号分解成有限个固有模态函数(IMF),再用提升小波改进阈值函数分解对高频IMF进行去噪处理,最后将剩余IMF和去噪后的高频IMF重构实现去噪。实验结果表明:该方法在水听器信号去噪方面有一定的参考价值。     

基于MEEMD小波软阈值函数的去噪方法

结合互补集合经验模态分解(CEEMD)和基于排列熵的信号随机性检测,提出了MEEMD方法。通过采用MEEMD方法将一个含躁信号分解为几个固有模态(IMFS),用软阈值函数来抑制高频固有模态的噪声,提高信号的信噪比(SNR)。对比该方法与基于EEMD和小波软阈值的联合去噪、基于CEEMD和小波软阈值联合去噪等方法得到的信噪比(SNR)和平均平方误差(MSE),发现基于MEEMD小波软阈值去噪方法的去噪效果较好。     

应用SAPSO-BP神经网络的DOA估计方法

声源方向估计是声纳、雷达、无线电发射机跟踪和移动通信中的基本问题之一。对矢量水听器声源的波达方向角(DOA)进行研究。传统的BP神经网络容易陷入局部最优,虽然PSO优化的BP神经网络在一定程度上改善了这个缺点,但仍容易早熟收敛,造成搜索精度的降低。为此,提出了一种模拟退火粒子群算法,并利用其优化BP神经网络,改进矢量水听器声源的波达方向角(DOA)估计的性能。仿真实验结果表明:模拟退火粒子群算法优化的BP神经网络具有更好的泛化能力,提高了DOA的估计精度。     

基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用

由于空气质量AQI指数受多个难以确定的和非线性的因子的影响,经常用到的回归预测方法效率和精度都比较低,基于长短期记忆单元(long short-term memory,LSTM)的递归神经网络模型却能有效利用时序数据中长距离依赖信息的能力,精准地预测空气质量AQI指数。首先,利用Ri386 3.3.3分析出空气中各种污染物质与AQI指数的相关性;然后基于Python3.5.2和Tensor Flow,结合近几年空气质量的各种影响因素的走势,对太原空气质量的AQI指数进行预测;最后使用均方误差(MSE)对预测的数据和原始数据进行误差分析。最终得出结论:基于Tensor Flow的LSTM神经网络能较精准地预测空气质量AQI指数。     

面向SAR目标分类的卷积神经网络算法研究

随着合成孔径雷达(aynthetic aperture radar,SAR)成像技术的日益成熟,如何对SAR目标进行高效分类得到了普遍关注。在此背景下,提出了一种面向SAR目标分类的二层卷积神经网络算法。为增强适应性,设计了一种随迭代次数增加而减缓的分数渐变学习率。同时,在损失函数中引入类内、类间相似度量函数,丰富了样本分类特征,提高了分类的准确率。在MSTAR数据集上的测试结果表明:该算法相比于其他分类方法和经典卷积神经网络算法有更高的分类准确率,证明了算法的有效性。     

基于改进的PSO-SVM的SAR图像分类识别

利用SAR图像的Hu不变矩,仿射不变矩,以及Zernike不变矩,通过调整学习因子后的PSO对SVM进行优化,提出了基于改进PSO-SVM的SAR图像分类识别算法。该方法主要调节PSO的异步学习因子,加强粒子的学习能力,在算法性能上不仅减小粒子陷入局部最优的概率,而且能有效提高算法的收敛性。最后,对SAR图像进行分类识别实验,结果表明:该算法比其他算法识别率显著提高。