一种基于CGAN和GcForest的军事目标识别方法

发布时间：2022-01-12 18:22

　　文中提出一种基于CGAN和GcForest的军事目标识别方法,通过构建CGAN对军事目标样本进行扩展和质量提升。进而基于启发式学习进行抽样迭代,构建有效的样本训练集。在高质量训练集的基础上,通过Gc Forest进行有监督的学习,最终得到军事目标识别的分类网络模型。文中所提方法相对于CNN、KNN、SVM等方法,在目标样本识别整体准确率上高出7. 80%～75. 27%,同时在不同小规模样本的条件下整体准确度高出29. 21%～67. 50%。 

【文章来源】：信息技术. 2020,44(03)

【文章页数】：5 页

【部分图文】：

CGAN结构原理图

然而，针对鉴别器的预测结果，生成器需要对梯度更新方向进行调整。当鉴别器认为G(z|y)输出为噪声数据和真实数据时，梯度更新方向需发生改变。即最终的损失函数为:其中，表示判别模型的预测类别，对预测概率取整，为0或者1。用于更改梯度方向，阙值通常情况下设定为0.5。

若输入图片类型为真实样本，则将鉴别器的输入数据label置为1;若输入图片类型为模拟样本，则将鉴别器的输入数据label置为0。鉴别器的主要作用是对真实数据和模拟生成的数据进行区分。此时，可以将CGAN鉴别器视为一个包含CNN网络的二分类模型。网络结构设计如图3所示。判别模型的损失函数为:

【参考文献】：
期刊论文
[1]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可.  计算机科学. 2018(S2)
[2]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[3]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟.  吉林大学学报(工学版). 2014(01)
[4]一种基于启发式轮廓表的逻辑强化学习方法[J]. 刘全,高阳,陈道蓄,孙吉贵,姚望舒.  计算机研究与发展. 2008(11)



本文编号：3585246