基于深度生成网络的特征学习方法

发布时间：2021-11-02 05:30

　　随着社会的发展,科技的进步,信息化程度加深,人们生活中不断产生着蕴含着大量信息的数据,但同时也存在着更多地冗余信息。研究如何从海量的数据中快速的提取出所需要的有价值信息,并应用于不同的任务,这无论对于国防或者民生领域,都具有重大意义和作用。但是,实际应用中的数据不仅形式多样,结构复杂,变化性强,并且特别“大”,即不光数量大,而且维度高。在这种情况下,对于这种大数据的高效特征学习的问题极具挑战。最近,深度学习在很多与人们生活息息相关领域的任务中都有着非常惊人的表现,甚至超过了人类的表现。对于数量巨大的高维数据,深层模型可以层次化的学习数据中的潜在特征,并将数据特征更加精细的分层的表示出。也正是这种层次化的特征表示,使得深层模型很适合处理这类数量大,维度高的数据。本文围绕大数据情况下的特征学习任务,将深度学习领域的高性能模型结合其他领域的特点应用于各种国防,生活领域的任务中。对论文的主要内容做如下概括:1.雷达目标识别技术对于我军的战斗力提升和国防的稳固都有着不可替代的作用。而基于雷达高分辨距离像（HRRP）数据的雷达目标识别问题,因其具有快速便捷的特点而受到了这一领域研究人员的广泛关注。... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：134 页

【学位级别】：博士

【部分图文】：

深度学习属于人工智能的一部分

图1.1深度学习属于人工智能的一部分来学习并能够处理每个新问题。的众多领域中，有一个领域通常被称为“大脑启发发现人类的大脑有着非常优越的学习，处理问题法的天然场所。因此，受大脑启发的计算是这样方式中获取其某些方面的基本形式或功能。这与在帮助人们理解大脑在某些方面是如何运作的。们仍在不断探索大脑如何工作的一些细节问题，近千亿个神经元，而它们作为主要的计算单元在。神经元本身与许多进入它们内部的细胞连接在类从它们内部伸向外部的细胞被称为轴突，如图过来神经元的信号进行计算处理，之后在轴突上的过程被称为神经元被激活[? ]。一个神经元的轴的部分称为突触。研究表明，人类大脑中有大约数

1.3简单神经网络实例与术语图1.3（a）显示了计算神经网络的示意图。输入数据由输入层神经元接接收，然后将其经过转化传送到网络中间各层的神经元，即“隐藏层”神经元。输出神经元的数值是隐藏层神经元数值的加权，输出层对其进行非线性激活最终输出。为了与“大脑启发式计算”的术语相一致，神经元的输出通常被称为激活，而突触通常被称为权重，如图1.3（a）所示。3

【参考文献】：
期刊论文
[1]基于栈式自编码器特征融合的SAR图像车辆目标识别[J]. 康妙,计科峰,冷祥光,邢相薇,邹焕新.  雷达学报. 2017(02)
[2]基于栈式降噪稀疏自动编码器的雷达目标识别方法[J]. 赵飞翔,刘永祥,霍凯.  雷达学报. 2017(02)
[3]基于TSB-HMM模型的雷达高分辨距离像目标识别方法[J]. 潘勉,王鹏辉,杜兰,刘宏伟,保铮.  电子与信息学报. 2013(07)
[4]基于目标散射中心和HMM分类的多视角雷达目标识别方法[J]. 裴炳南,保铮.  电子学报. 2003(05)



本文编号：3471431