典型文献
基于深度学习的星载SAR工作模式鉴别
文献摘要：
针对传统星载合成孔径雷达(SAR)工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型.该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别.在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型.基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.
文献关键词：
星载合成孔径雷达(SAR);工作模式;峰值幅度;一维卷积神经网络;部署区域
中图分类号：
作者姓名：
贺俊;张雅声;尹灿斌
作者机构：
航天工程大学,北京101416
文献出处：
引用格式：
[1]贺俊;张雅声;尹灿斌-.基于深度学习的星载SAR工作模式鉴别)[J].浙江大学学报（工学版）,2022(08):1676-1684
A类：
B类：
SAR,星载合成孔径雷达,反演方法,识别准确率,一维卷积神经网络,工作模式识别,识别模型,号脉,峰值幅度,识别能力,人为影响,够学,神经网络结构,有性,网络训练,训练过程,损失值,练得,识别性,仿真数据,旁瓣,收条,抗噪性,部署区域
AB值：
0.289025
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
