基于深度网络迁移学习的癫痫发作预测研究

这是一篇关于癫痫预测,EEG,深度网络,迁移学习的论文, 主要内容为癫痫是一种由大脑内神经元突发放电引起的神经系统疾病。发作时患者身体不受控制地抽搐,不仅给患者带来生理和心理上极大损害,还有可能对其家人或周围环境带来意外的损失。调查研究发现,通过医疗干预措施,还不能完全治愈这一神经系统疾病,所以,如果能通过一定可行的方式对癫痫进行预测将会为患者赢得宝贵的处理时间,因此癫痫预测具有非常重要的研究价值。脑电图(Electroencephalography,EEG)在癫痫临床诊断中具有悠久历史和独特的研究价值,通过对不同时期癫痫状态EEG图像波形研究,可以为癫痫发作预测提供理论依据。本文以意大利锡耶纳大学脑电信号数据集为研究对象,首先,对原始脑电信号进行带通滤波器滤波和工频陷波、去噪、分段等预处理,形成最小的数据处理单元,再分别利用二维离散小波变换和短时傅里叶变换对癫痫脑电信号进行时频域变换,完成将EEG信号从一维时间序列到二维时频图的转化;然后,在癫痫信号分类中利用深度神经网络和迁移学习技术建立癫痫自动特征提取模型,选择Goog Le-Net、Resnet-101、Inception-v3三种深度网络进行癫痫发作间期和发作前期的二分类训练。结果表明,该方法取得了良好的效果,其中Inception-v3网络分类准确率为98.60%,敏感性为98.14%,特异性为99.42%。为了提高癫痫发作预测能力将离散小波变换和短时傅里叶变换经过深度网络提取的特征进行融合,对每一段完整患者脑电数据进行发作预测研究。通过Goog Le-Net、Resnet-101、Inception-v3三种深度神经网络作为分类器,结合迁移学习技术,解决传统深度网络学习中对于数据量的依赖,对于小样本的训练准确率得到提高,分类实验结果准确率达到90.18%。设置癫痫发作预测范围(Seizure Prediction Horizon,SPH)和发作发生期(Seizure Occurrence Period,SOP)辅助癫痫发作预测模型的建立。通过对所有患者数据进行实验表明,设置SPH和SOP均为10 min时,最长预测时间为13.95 min,平均预测时间为12.06 min,平均预测敏感性92.14%以及平均预测误检率为0.29/h。本文分析癫痫脑电信号的特性并结合深度学习的方法对癫痫不同状态分类和发作预测,有助于癫痫的辅助治疗,为癫痫发作预测研究提供了新的方向。

基于深度学习的太赫兹雷达增强成像与识别技术研究

这是一篇关于太赫兹雷达,增强成像,特征融合,目标识别,深度网络,目标结构反演,图像质量提升的论文, 主要内容为太赫兹频段处于微波与红外之间,具有不同于微波与红外频段的特殊散射特性,在通信、探测、预警等方面发挥着重要的作用,已成为新时代军事科技竞争的战略制高点。相比于微波雷达,太赫兹雷达凭借更大的带宽与更高的载频,具备更高的空间分辨率,在雷达成像领域上具有显著的优势。具体来说,太赫兹频段的成像结果可获得更加丰富的目标信息,包标轮廓、结构和材料特性等,有助于下一步的目标识别与图像解译。然而,在太赫兹频段下,传统的雷达成像模型与成像方法也面临新的问题与挑战。例如,粗糙面导致目标的散射点数目的急剧增加,此时目标散射特性较难用点模型进行描述;基于线性相干的传统雷达成像方法在太赫兹频段下的成像结果因密集散射中心的旁瓣降级图像质量。为此,论文开展了太赫兹雷达增强成像与目标识别技术研究。在雷达增强成像方面,论文重点研究了图像质量提升与目标结构反演。在目标识别方面,论文研究了基于特征融合的目标识别方法。针对图像质量提升问题,课题以三维图像质量提升为研究对象,考虑到传统基于稀疏正则化与压缩感知方法,在增强成像所需时间与计算负担上具有一定的不足,因此本课题着重研究了实现图像质量提升的快速途径,并提出一种基于轻量级网络的图像质量提升方法。其实现的基本框架为:首先,通过已知的成像几何建立给定空域的原始成像结果,然后,根据先验的成像知识预先地建立起对应的期望成像结果,最后,根据训练数据集大小与网络参数量,构建端到端的三维雷达增强成像网络,并进行网络训练。数值计算结果与电磁计算仿真结果验证了所提方法的有效性。在增强成像所需时间方面,相比稀疏正则化方法提升了两个数量级,并能实现实时的增强成像;在成像质量方面,相比于稀疏正则化方法与现有的基于深度学习方法,实现了最优的图像质量。针对目标结构反演问题,课题以延展型目标结构的重构为研究对象,考虑到传统基于大角度或多视角方法在实际应用中成像条件较为苛刻,且对复杂目标的延展型结构重构具有较大的难度,因此本课题着重研究对复杂目标坦克炮管的检测与重构,并将传统依赖于识别与匹配散射中心相位特征差的方法,转换为基于坦克的部件先验与深度网络的目标检测方法。其实现的基本框架为:首先,分析了延展型部件先验与典型坦克目标的成像特性,得到坦克炮管消失的原因以及对应图像中可能存在的位置,然后,基于坦克目标成像的先验知识,建立起坦克炮管检测的数据集,并搭建适合多尺度目标检测的网络框架。最后,将检测结果分为两类,并确定了两种对应的坦克炮管重构方法。电磁计算仿真与实验测量结果均验证了所提方法能实现快速且准确地坦克炮管的检测与重构,并比较了典型的四种目标检测网络Faster RCNN、Yolo V3、Retina Net和Center Net,实现了同等条件下检测性能的最优。针对基于特征融合的目标识别问题,以复杂目标的高分辨一维距离像为研究对象,考虑到现实稳定的目标识别系统通常面临两种情况:一是杂复杂目标的散射特性随观测角度的变化存在较大的波动,直接地影响着目标的高分辨一维距离像的特征分布;二是识别对象所处环境存在较大变化,且低信噪比下的目标识别衡量着识别系统的准确性与稳定性,因此本课题着重研究低信噪比下的稳定目标识别,并提出了一种基于降噪特征增强的多视角特征融合方法。其实现的基本框架为:首先,对各视角雷达获取的数据通过设计的降噪网络,降低噪声干扰与提高信噪比,然后将各视角降噪后的数据通过多视角特征融合网络,得到高阶的融合特征,最后利用这些高阶的融合特征进行目标的识别分类。需要说明的是,实验的数据来源于对八种不同类型飞机目标的电磁计算仿真。实验结果表明,在多视角特征融合方面,特征融合能实现稳定且更高的识别准确率;且在测试环境的信噪比低于0d B时,相比传统直接识别方法,所提方法能提升约5%的识别准确率。总之,本课题对基于深度学习的雷达增强成像中图像质量提升与目标结构反演,提供了新的解决思路与解决方法;对基于特征融合的目标识别,提供了低信噪比下稳定识别的新框架,并对实际高效稳定的识别系统提供了新的解决途径。

基于深度网络迁移学习的癫痫发作预测研究

这是一篇关于癫痫预测,EEG,深度网络,迁移学习的论文, 主要内容为癫痫是一种由大脑内神经元突发放电引起的神经系统疾病。发作时患者身体不受控制地抽搐,不仅给患者带来生理和心理上极大损害,还有可能对其家人或周围环境带来意外的损失。调查研究发现,通过医疗干预措施,还不能完全治愈这一神经系统疾病,所以,如果能通过一定可行的方式对癫痫进行预测将会为患者赢得宝贵的处理时间,因此癫痫预测具有非常重要的研究价值。脑电图(Electroencephalography,EEG)在癫痫临床诊断中具有悠久历史和独特的研究价值,通过对不同时期癫痫状态EEG图像波形研究,可以为癫痫发作预测提供理论依据。本文以意大利锡耶纳大学脑电信号数据集为研究对象,首先,对原始脑电信号进行带通滤波器滤波和工频陷波、去噪、分段等预处理,形成最小的数据处理单元,再分别利用二维离散小波变换和短时傅里叶变换对癫痫脑电信号进行时频域变换,完成将EEG信号从一维时间序列到二维时频图的转化;然后,在癫痫信号分类中利用深度神经网络和迁移学习技术建立癫痫自动特征提取模型,选择Goog Le-Net、Resnet-101、Inception-v3三种深度网络进行癫痫发作间期和发作前期的二分类训练。结果表明,该方法取得了良好的效果,其中Inception-v3网络分类准确率为98.60%,敏感性为98.14%,特异性为99.42%。为了提高癫痫发作预测能力将离散小波变换和短时傅里叶变换经过深度网络提取的特征进行融合,对每一段完整患者脑电数据进行发作预测研究。通过Goog Le-Net、Resnet-101、Inception-v3三种深度神经网络作为分类器,结合迁移学习技术,解决传统深度网络学习中对于数据量的依赖,对于小样本的训练准确率得到提高,分类实验结果准确率达到90.18%。设置癫痫发作预测范围(Seizure Prediction Horizon,SPH)和发作发生期(Seizure Occurrence Period,SOP)辅助癫痫发作预测模型的建立。通过对所有患者数据进行实验表明,设置SPH和SOP均为10 min时,最长预测时间为13.95 min,平均预测时间为12.06 min,平均预测敏感性92.14%以及平均预测误检率为0.29/h。本文分析癫痫脑电信号的特性并结合深度学习的方法对癫痫不同状态分类和发作预测,有助于癫痫的辅助治疗,为癫痫发作预测研究提供了新的方向。

基于深度学习的太赫兹雷达增强成像与识别技术研究

这是一篇关于太赫兹雷达,增强成像,特征融合,目标识别,深度网络,目标结构反演,图像质量提升的论文, 主要内容为太赫兹频段处于微波与红外之间,具有不同于微波与红外频段的特殊散射特性,在通信、探测、预警等方面发挥着重要的作用,已成为新时代军事科技竞争的战略制高点。相比于微波雷达,太赫兹雷达凭借更大的带宽与更高的载频,具备更高的空间分辨率,在雷达成像领域上具有显著的优势。具体来说,太赫兹频段的成像结果可获得更加丰富的目标信息,包标轮廓、结构和材料特性等,有助于下一步的目标识别与图像解译。然而,在太赫兹频段下,传统的雷达成像模型与成像方法也面临新的问题与挑战。例如,粗糙面导致目标的散射点数目的急剧增加,此时目标散射特性较难用点模型进行描述;基于线性相干的传统雷达成像方法在太赫兹频段下的成像结果因密集散射中心的旁瓣降级图像质量。为此,论文开展了太赫兹雷达增强成像与目标识别技术研究。在雷达增强成像方面,论文重点研究了图像质量提升与目标结构反演。在目标识别方面,论文研究了基于特征融合的目标识别方法。针对图像质量提升问题,课题以三维图像质量提升为研究对象,考虑到传统基于稀疏正则化与压缩感知方法,在增强成像所需时间与计算负担上具有一定的不足,因此本课题着重研究了实现图像质量提升的快速途径,并提出一种基于轻量级网络的图像质量提升方法。其实现的基本框架为:首先,通过已知的成像几何建立给定空域的原始成像结果,然后,根据先验的成像知识预先地建立起对应的期望成像结果,最后,根据训练数据集大小与网络参数量,构建端到端的三维雷达增强成像网络,并进行网络训练。数值计算结果与电磁计算仿真结果验证了所提方法的有效性。在增强成像所需时间方面,相比稀疏正则化方法提升了两个数量级,并能实现实时的增强成像;在成像质量方面,相比于稀疏正则化方法与现有的基于深度学习方法,实现了最优的图像质量。针对目标结构反演问题,课题以延展型目标结构的重构为研究对象,考虑到传统基于大角度或多视角方法在实际应用中成像条件较为苛刻,且对复杂目标的延展型结构重构具有较大的难度,因此本课题着重研究对复杂目标坦克炮管的检测与重构,并将传统依赖于识别与匹配散射中心相位特征差的方法,转换为基于坦克的部件先验与深度网络的目标检测方法。其实现的基本框架为:首先,分析了延展型部件先验与典型坦克目标的成像特性,得到坦克炮管消失的原因以及对应图像中可能存在的位置,然后,基于坦克目标成像的先验知识,建立起坦克炮管检测的数据集,并搭建适合多尺度目标检测的网络框架。最后,将检测结果分为两类,并确定了两种对应的坦克炮管重构方法。电磁计算仿真与实验测量结果均验证了所提方法能实现快速且准确地坦克炮管的检测与重构,并比较了典型的四种目标检测网络Faster RCNN、Yolo V3、Retina Net和Center Net,实现了同等条件下检测性能的最优。针对基于特征融合的目标识别问题,以复杂目标的高分辨一维距离像为研究对象,考虑到现实稳定的目标识别系统通常面临两种情况:一是杂复杂目标的散射特性随观测角度的变化存在较大的波动,直接地影响着目标的高分辨一维距离像的特征分布;二是识别对象所处环境存在较大变化,且低信噪比下的目标识别衡量着识别系统的准确性与稳定性,因此本课题着重研究低信噪比下的稳定目标识别,并提出了一种基于降噪特征增强的多视角特征融合方法。其实现的基本框架为:首先,对各视角雷达获取的数据通过设计的降噪网络,降低噪声干扰与提高信噪比,然后将各视角降噪后的数据通过多视角特征融合网络,得到高阶的融合特征,最后利用这些高阶的融合特征进行目标的识别分类。需要说明的是,实验的数据来源于对八种不同类型飞机目标的电磁计算仿真。实验结果表明,在多视角特征融合方面,特征融合能实现稳定且更高的识别准确率;且在测试环境的信噪比低于0d B时,相比传统直接识别方法,所提方法能提升约5%的识别准确率。总之,本课题对基于深度学习的雷达增强成像中图像质量提升与目标结构反演,提供了新的解决思路与解决方法;对基于特征融合的目标识别,提供了低信噪比下稳定识别的新框架,并对实际高效稳定的识别系统提供了新的解决途径。

基于深度网络的信息爬取研究及应用

这是一篇关于深度网络,关键词查询,爬虫的论文, 主要内容为随着信息技术的发展,深度网络蕴含的数据越来越多,如何有效地获取深度网络中的数据已经成为当前的研究热点。深度网络往往只提供一个查询接口供用户使用,用户需要提交查询关键词从深度网络中获取数据。目前,存在较多关键词查询算法,典型的有Google使用的TF-IDF算法和Ntoulas等人提出的自适应贪婪算法。TF-IDF算法只关注深度网络中的重要文档,不关注单个深度网络的文档覆盖率,适用于大型爬虫。自适应贪婪算法利用贪心的思想获取最大的单个深度网络文档覆盖率,效果较好,适合于中小型爬虫。本文主要工作如下:根据实际项目的需要,本文重点研究了自适应贪婪算法。在此基础上,本文提出了基于关键词相关度筛选的自适应贪婪算法。在某些专业领域中,关键词高度关联,本文提出利用关键词相关度来衡量不同关键词间的关联度,根据关键词的相关度筛选关键词,避免提交高度关联的关键词造成返回结果集的较大冗余。当网站限制返回查询结果数量时,返回结果集是原结果集的子集。受TF-IDF思想启发,本文提出一种关键词加权选词法,认为包含关键词少的文档和包含高词频关键词的文档带来的冗余更小,比其他的文档更重要。出现频率高和关联关键词少的关键词会被优先选取,同时为了避免提交查询次数过多,利用关键词词频阈值判断来避免匹配文档过低的关键词。本文实现的深度网络爬虫系统,利用改进的算法来获取深度网络的数据。在爬虫系统中主要实现了URL管理模块、文档下载模块、信息抽取模块、文本缓存模块、查询请求生成模块等。有效地解决了大量URL管理、文档信息抽取,深度网络关键词有效选取等问题。爬虫连续运行较长时间,成功获取上百万文档,达到中小爬虫的性能。通过对不同类型的数据,包括新浪、搜狐、腾讯、网易的新闻数据和万方的论文摘要数据进行仿真实验,并将效果和原算法进行对比,说明在专业领域,基于关键词筛选的自适应贪婪选算法在文档覆盖率等同的条件下单位资源消耗量少于原算法;在返回结果受限制的深度网络中,关键词加权选词法在文档覆盖率、单位文档资源消耗量都优于原算法。

基于深度学习的太赫兹雷达增强成像与识别技术研究

这是一篇关于太赫兹雷达,增强成像,特征融合,目标识别,深度网络,目标结构反演,图像质量提升的论文, 主要内容为太赫兹频段处于微波与红外之间,具有不同于微波与红外频段的特殊散射特性,在通信、探测、预警等方面发挥着重要的作用,已成为新时代军事科技竞争的战略制高点。相比于微波雷达,太赫兹雷达凭借更大的带宽与更高的载频,具备更高的空间分辨率,在雷达成像领域上具有显著的优势。具体来说,太赫兹频段的成像结果可获得更加丰富的目标信息,包标轮廓、结构和材料特性等,有助于下一步的目标识别与图像解译。然而,在太赫兹频段下,传统的雷达成像模型与成像方法也面临新的问题与挑战。例如,粗糙面导致目标的散射点数目的急剧增加,此时目标散射特性较难用点模型进行描述;基于线性相干的传统雷达成像方法在太赫兹频段下的成像结果因密集散射中心的旁瓣降级图像质量。为此,论文开展了太赫兹雷达增强成像与目标识别技术研究。在雷达增强成像方面,论文重点研究了图像质量提升与目标结构反演。在目标识别方面,论文研究了基于特征融合的目标识别方法。针对图像质量提升问题,课题以三维图像质量提升为研究对象,考虑到传统基于稀疏正则化与压缩感知方法,在增强成像所需时间与计算负担上具有一定的不足,因此本课题着重研究了实现图像质量提升的快速途径,并提出一种基于轻量级网络的图像质量提升方法。其实现的基本框架为:首先,通过已知的成像几何建立给定空域的原始成像结果,然后,根据先验的成像知识预先地建立起对应的期望成像结果,最后,根据训练数据集大小与网络参数量,构建端到端的三维雷达增强成像网络,并进行网络训练。数值计算结果与电磁计算仿真结果验证了所提方法的有效性。在增强成像所需时间方面,相比稀疏正则化方法提升了两个数量级,并能实现实时的增强成像;在成像质量方面,相比于稀疏正则化方法与现有的基于深度学习方法,实现了最优的图像质量。针对目标结构反演问题,课题以延展型目标结构的重构为研究对象,考虑到传统基于大角度或多视角方法在实际应用中成像条件较为苛刻,且对复杂目标的延展型结构重构具有较大的难度,因此本课题着重研究对复杂目标坦克炮管的检测与重构,并将传统依赖于识别与匹配散射中心相位特征差的方法,转换为基于坦克的部件先验与深度网络的目标检测方法。其实现的基本框架为:首先,分析了延展型部件先验与典型坦克目标的成像特性,得到坦克炮管消失的原因以及对应图像中可能存在的位置,然后,基于坦克目标成像的先验知识,建立起坦克炮管检测的数据集,并搭建适合多尺度目标检测的网络框架。最后,将检测结果分为两类,并确定了两种对应的坦克炮管重构方法。电磁计算仿真与实验测量结果均验证了所提方法能实现快速且准确地坦克炮管的检测与重构,并比较了典型的四种目标检测网络Faster RCNN、Yolo V3、Retina Net和Center Net,实现了同等条件下检测性能的最优。针对基于特征融合的目标识别问题,以复杂目标的高分辨一维距离像为研究对象,考虑到现实稳定的目标识别系统通常面临两种情况:一是杂复杂目标的散射特性随观测角度的变化存在较大的波动,直接地影响着目标的高分辨一维距离像的特征分布;二是识别对象所处环境存在较大变化,且低信噪比下的目标识别衡量着识别系统的准确性与稳定性,因此本课题着重研究低信噪比下的稳定目标识别,并提出了一种基于降噪特征增强的多视角特征融合方法。其实现的基本框架为:首先,对各视角雷达获取的数据通过设计的降噪网络,降低噪声干扰与提高信噪比,然后将各视角降噪后的数据通过多视角特征融合网络,得到高阶的融合特征,最后利用这些高阶的融合特征进行目标的识别分类。需要说明的是,实验的数据来源于对八种不同类型飞机目标的电磁计算仿真。实验结果表明,在多视角特征融合方面,特征融合能实现稳定且更高的识别准确率;且在测试环境的信噪比低于0d B时,相比传统直接识别方法,所提方法能提升约5%的识别准确率。总之,本课题对基于深度学习的雷达增强成像中图像质量提升与目标结构反演,提供了新的解决思路与解决方法;对基于特征融合的目标识别,提供了低信噪比下稳定识别的新框架,并对实际高效稳定的识别系统提供了新的解决途径。

基于深度学习的太赫兹雷达增强成像与识别技术研究

这是一篇关于太赫兹雷达,增强成像,特征融合,目标识别,深度网络,目标结构反演,图像质量提升的论文, 主要内容为太赫兹频段处于微波与红外之间,具有不同于微波与红外频段的特殊散射特性,在通信、探测、预警等方面发挥着重要的作用,已成为新时代军事科技竞争的战略制高点。相比于微波雷达,太赫兹雷达凭借更大的带宽与更高的载频,具备更高的空间分辨率,在雷达成像领域上具有显著的优势。具体来说,太赫兹频段的成像结果可获得更加丰富的目标信息,包标轮廓、结构和材料特性等,有助于下一步的目标识别与图像解译。然而,在太赫兹频段下,传统的雷达成像模型与成像方法也面临新的问题与挑战。例如,粗糙面导致目标的散射点数目的急剧增加,此时目标散射特性较难用点模型进行描述;基于线性相干的传统雷达成像方法在太赫兹频段下的成像结果因密集散射中心的旁瓣降级图像质量。为此,论文开展了太赫兹雷达增强成像与目标识别技术研究。在雷达增强成像方面,论文重点研究了图像质量提升与目标结构反演。在目标识别方面,论文研究了基于特征融合的目标识别方法。针对图像质量提升问题,课题以三维图像质量提升为研究对象,考虑到传统基于稀疏正则化与压缩感知方法,在增强成像所需时间与计算负担上具有一定的不足,因此本课题着重研究了实现图像质量提升的快速途径,并提出一种基于轻量级网络的图像质量提升方法。其实现的基本框架为:首先,通过已知的成像几何建立给定空域的原始成像结果,然后,根据先验的成像知识预先地建立起对应的期望成像结果,最后,根据训练数据集大小与网络参数量,构建端到端的三维雷达增强成像网络,并进行网络训练。数值计算结果与电磁计算仿真结果验证了所提方法的有效性。在增强成像所需时间方面,相比稀疏正则化方法提升了两个数量级,并能实现实时的增强成像;在成像质量方面,相比于稀疏正则化方法与现有的基于深度学习方法,实现了最优的图像质量。针对目标结构反演问题,课题以延展型目标结构的重构为研究对象,考虑到传统基于大角度或多视角方法在实际应用中成像条件较为苛刻,且对复杂目标的延展型结构重构具有较大的难度,因此本课题着重研究对复杂目标坦克炮管的检测与重构,并将传统依赖于识别与匹配散射中心相位特征差的方法,转换为基于坦克的部件先验与深度网络的目标检测方法。其实现的基本框架为:首先,分析了延展型部件先验与典型坦克目标的成像特性,得到坦克炮管消失的原因以及对应图像中可能存在的位置,然后,基于坦克目标成像的先验知识,建立起坦克炮管检测的数据集,并搭建适合多尺度目标检测的网络框架。最后,将检测结果分为两类,并确定了两种对应的坦克炮管重构方法。电磁计算仿真与实验测量结果均验证了所提方法能实现快速且准确地坦克炮管的检测与重构,并比较了典型的四种目标检测网络Faster RCNN、Yolo V3、Retina Net和Center Net,实现了同等条件下检测性能的最优。针对基于特征融合的目标识别问题,以复杂目标的高分辨一维距离像为研究对象,考虑到现实稳定的目标识别系统通常面临两种情况:一是杂复杂目标的散射特性随观测角度的变化存在较大的波动,直接地影响着目标的高分辨一维距离像的特征分布;二是识别对象所处环境存在较大变化,且低信噪比下的目标识别衡量着识别系统的准确性与稳定性,因此本课题着重研究低信噪比下的稳定目标识别,并提出了一种基于降噪特征增强的多视角特征融合方法。其实现的基本框架为:首先,对各视角雷达获取的数据通过设计的降噪网络,降低噪声干扰与提高信噪比,然后将各视角降噪后的数据通过多视角特征融合网络,得到高阶的融合特征,最后利用这些高阶的融合特征进行目标的识别分类。需要说明的是,实验的数据来源于对八种不同类型飞机目标的电磁计算仿真。实验结果表明,在多视角特征融合方面,特征融合能实现稳定且更高的识别准确率;且在测试环境的信噪比低于0d B时,相比传统直接识别方法,所提方法能提升约5%的识别准确率。总之,本课题对基于深度学习的雷达增强成像中图像质量提升与目标结构反演,提供了新的解决思路与解决方法;对基于特征融合的目标识别,提供了低信噪比下稳定识别的新框架,并对实际高效稳定的识别系统提供了新的解决途径。