雷达辐射源开集识别关键技术研究
这是一篇关于雷达辐射源信号,开集场景,调制识别,个体识别,增量学习的论文, 主要内容为雷达辐射源识别是制胜电子战(Electronic Warfare,EW)的关键手段。电子侦察接收机实际面临的往往是开放的电磁环境,其中辐射源的种类和数量不断变化,但信号数据库容量有限,因此识别时可能出现完全未知的新辐射源。现有的大多数方法不具备开集识别能力,会将新的辐射源错误识别为某种已知的辐射源。尤其是当前应用广泛的基于深度学习的方法,若识别时出现训练阶段未包含的辐射源信号样本类别,就会造成识别错误,严重影响结果的可信度。本文聚焦解决开集场景下的雷达辐射源识别问题,对雷达辐射源调制类型开集识别,雷达辐射源个体开集识别进行了深入研究,并提出了增量式开集识别方法解决模型更新的问题,全文的主要工作包括:一、为解决现有的基于时频图像和深度学习进行雷达辐射源调制类型识别的方法无法适应开放电磁环境的问题,引入互易点学习优化特征空间,使已知类信号被推向空间边缘并彼此分开,未知类分布在中心。根据该特点提出自适应阈值的确定方法,实现开集识别。为特征提取网络加入注意力机制模块,使网络更关注时频图能量集中部分的有效信息。针对计算信号时频图复杂度高且具有信息损失的问题,提出使用一维残差网络代替二维卷积网络提取特征,并将信号频谱序列的实部和虚部作为输入。实验结果表明,所提方法在开放电磁环境中具有较好适应性,且基于一维网络的方法在低信噪比条件下具有显著优势。二、为解决雷达辐射源个体指纹特征十分细微、难以提取的问题,提出具有多个卷积核大小支路,并能够根据输入数据自适应改变不同支路权重的可选择核残差网络(Selective Kernel Residual Network,SKRes Net)。基于Open Max对SKRes Net的全连接层进行改进,提出能够完成开集识别任务的Open-SKRes Net模型。联合中心损失和交叉熵损失对网络进行训练,限制已知类样本在特征空间中的分布范围从而降低开放空间风险。为减小网络输入冗余,提出一种通用的雷达辐射源个体信号预处理方法,提取脉冲信号的瞬态序列部分替代脉冲整体作为网络的输入。实验结果表明,SKRes Net具有较强的特征提取能力,所提方法能够有效控制开集风险,完成雷达辐射源个体开集识别任务。三、为解决开集识别模型无法根据变化的电磁环境拓展已知类别的问题,提出基于无偏余弦分类器的增量式开集识别方法。使用无偏余弦分类器替代全连接层和Softmax层进行分类,缓解增量过程中对新增类别的分类偏好。通过每一个已知类的原型表征该类,并将余弦分类器对应类别的系数项赋值为该类原型,使其输出即是样本与各类别原型的余弦相似度,而后设置自适应阈值实现开集识别。模型初始训练阶段使用Arc Face损失,为新增类别的特征向量预留更多空间,同时降低开放空间风险;模型增量阶段,只需计算新增类的原型并拓展分类器权重项即可完成更新。在多个数据集下的实验结果表明,所提方法能够有效解决雷达辐射源增量式开集识别问题,且对新增类的标记样本数量要求较小。
中小规模养殖场泌乳期奶牛管理平台的设计与开发
这是一篇关于泌乳期奶牛,个体识别,行为识别,Django框架,管理平台的论文, 主要内容为随着现代化养殖业的迅猛发展,奶牛场养殖模式呈现数字化、规模化、精确化的发展趋势。我国是农业大国,奶业的发展是我国农业发展的关键因素之一,在奶牛养殖业中还存在很大一部分中小型农户散养模式的奶牛场,这些奶牛场管理粗放、智能化低、人工作业强度大。针对以上问题,本文使用机器视觉技术对泌乳期奶牛进行无接触的个体及行为识别,基于此利用Django框架设计和开发一种中小规模养殖场泌乳期奶牛管理平台,实现对奶牛的精确管理。本研究有助于提高奶牛场的养殖效率和经济效益,并为奶制品的安全提供保障。主要研究内容如下:(1)制作泌乳期奶牛个体识别和行为识别数据集。以泌乳期奶牛作为研究对象,利用200万像素、可全彩夜视的海康威视萤石C4摄像头,拍摄河北省石家庄市无极县东朱村某农户散养奶牛养殖场的视频图像。分析挑选适合进行模型训练的视频段,利用python编写的程序进行图像帧截取,利用LabelImg工具进行图像标注,制作用于模型训练的个体识别数据集6553张和行为识别数据集7226张。(2)基于深度学习算法YOLOv5训练泌乳期奶牛识别模型。利用YOLOv5算法训练奶牛个体识别模型和行为识别模型,对两种模型进行测试,结果表明,基于YOLOv5的泌乳期奶牛个体识别模型平均精度为98.50%,基于YOLOv5的泌乳期奶牛行为识别模型平均精度为98.22%,能够满足奶牛场对泌乳期奶牛进行目标检测的要求。在平台中,目标检测功能与泌乳期奶牛信息紧密关联,通过个体识别功能可以精确了解每一头泌乳期奶牛的个体信息,通过行为识别功能可以统计泌乳期奶牛日常行为数据,直观了解泌乳期奶牛健康信息。(3)设计与开发中小规模养殖场泌乳期奶牛管理平台。该平台使用Python作为程序的主要设计语言,整体架构采用MTV模式的Django框架进行后端开发,使用Bootstrap框架和HTML、CSS、JavaScript进行前端开发;利用Echarts进行数据可视化处理,使用MySQL数据库和Redis存取数据,并在平台中利用机器视觉技术对泌乳期奶牛进行目标检测。对平台中的功能进行详细设计,并实现各模块功能。中小规模养殖场泌乳期奶牛管理平台利用机器视觉技术进行奶牛个体识别和行为识别,基于识别对奶牛数据进行存储和系统管理,以保证对泌乳期奶牛的精确管理。该平台能够实现奶牛场的智能化管理,提高对泌乳期奶牛的管理水平和工作效率,为奶品安全溯源奠定基础。
雷达辐射源开集识别关键技术研究
这是一篇关于雷达辐射源信号,开集场景,调制识别,个体识别,增量学习的论文, 主要内容为雷达辐射源识别是制胜电子战(Electronic Warfare,EW)的关键手段。电子侦察接收机实际面临的往往是开放的电磁环境,其中辐射源的种类和数量不断变化,但信号数据库容量有限,因此识别时可能出现完全未知的新辐射源。现有的大多数方法不具备开集识别能力,会将新的辐射源错误识别为某种已知的辐射源。尤其是当前应用广泛的基于深度学习的方法,若识别时出现训练阶段未包含的辐射源信号样本类别,就会造成识别错误,严重影响结果的可信度。本文聚焦解决开集场景下的雷达辐射源识别问题,对雷达辐射源调制类型开集识别,雷达辐射源个体开集识别进行了深入研究,并提出了增量式开集识别方法解决模型更新的问题,全文的主要工作包括:一、为解决现有的基于时频图像和深度学习进行雷达辐射源调制类型识别的方法无法适应开放电磁环境的问题,引入互易点学习优化特征空间,使已知类信号被推向空间边缘并彼此分开,未知类分布在中心。根据该特点提出自适应阈值的确定方法,实现开集识别。为特征提取网络加入注意力机制模块,使网络更关注时频图能量集中部分的有效信息。针对计算信号时频图复杂度高且具有信息损失的问题,提出使用一维残差网络代替二维卷积网络提取特征,并将信号频谱序列的实部和虚部作为输入。实验结果表明,所提方法在开放电磁环境中具有较好适应性,且基于一维网络的方法在低信噪比条件下具有显著优势。二、为解决雷达辐射源个体指纹特征十分细微、难以提取的问题,提出具有多个卷积核大小支路,并能够根据输入数据自适应改变不同支路权重的可选择核残差网络(Selective Kernel Residual Network,SKRes Net)。基于Open Max对SKRes Net的全连接层进行改进,提出能够完成开集识别任务的Open-SKRes Net模型。联合中心损失和交叉熵损失对网络进行训练,限制已知类样本在特征空间中的分布范围从而降低开放空间风险。为减小网络输入冗余,提出一种通用的雷达辐射源个体信号预处理方法,提取脉冲信号的瞬态序列部分替代脉冲整体作为网络的输入。实验结果表明,SKRes Net具有较强的特征提取能力,所提方法能够有效控制开集风险,完成雷达辐射源个体开集识别任务。三、为解决开集识别模型无法根据变化的电磁环境拓展已知类别的问题,提出基于无偏余弦分类器的增量式开集识别方法。使用无偏余弦分类器替代全连接层和Softmax层进行分类,缓解增量过程中对新增类别的分类偏好。通过每一个已知类的原型表征该类,并将余弦分类器对应类别的系数项赋值为该类原型,使其输出即是样本与各类别原型的余弦相似度,而后设置自适应阈值实现开集识别。模型初始训练阶段使用Arc Face损失,为新增类别的特征向量预留更多空间,同时降低开放空间风险;模型增量阶段,只需计算新增类的原型并拓展分类器权重项即可完成更新。在多个数据集下的实验结果表明,所提方法能够有效解决雷达辐射源增量式开集识别问题,且对新增类的标记样本数量要求较小。
基于图像对比的大熊猫个体识别方法研究
这是一篇关于大熊猫,个体识别,图像对比,面部识别,FaceNet的论文, 主要内容为动物个体识别是保护和监测野生动物的技术基础。大熊猫(Ailuropoda melanoleuca)是受保护的珍稀物种,需要通过野外调查才能掌握其分布和数量情况。传统的调查方法如距离-咬节法、足迹识别法都存在一定局限性,导致大熊猫野外调查难度较大且耗时耗力。近几年,红外相机等技术的发展为野外大熊猫的调查监测提供了新的途径,可以通过识别视频中的大熊猫个体来获取调查数据。然而现存的计算机视觉方法主要是通过图像分类的方法来实现大熊猫个体识别,这就需要采集大量的大熊猫个体图像,并且要求已知个体。但是在野外环境采集到的野生大熊猫个体图像数量有限且个体未知,因此图像分类方法不适合识别野外大熊猫个体。为了能有效识别未知的野生大熊猫个体,本文提出一种基于图像对比技术的大熊猫个体识别方法,主要的研究内容包括以下几个方面:1)制作大熊猫图像数据集。一方面,根据官方网站的大熊猫名字信息,利用视频网站采集来自大熊猫基地和动物园共210只大熊猫个体的视频数据。另一方面,利用红外相机设备采集了四个自然保护区共27张野生大熊猫图像。数据集的制作包括提取大熊猫视频帧、裁剪面部图像、标注大熊猫个体等操作。2)基于人脸识别网络FaceNet,本文提出了一种基于图像对比的大熊猫个体识别方法。首先,将FaceNet的主干网络替换为Inception-Res Net-v1,并添加风格注意力模块(Style-based Recalibration Module,SRM),再将网络最后的平均池化层更改为可分离卷积层,以此构建了一个新的特征提取网络。训练过程中采用三元组损失函数和交叉熵损失函数监督训练过程。在圈养大熊猫数据集和野生大熊猫数据集上,对本文提出的大熊猫个体识别方法进行效果评估,实验结果表明,该方法在两个数据集上对于区分两张大熊猫面部图像分别实现了95.3%和91%的识别准确率。3)为满足大熊猫个体识别的不同需求,本文基于改进后的Shuffle Net网络,提出了一种轻量级大熊猫个体识别模型。主要改进如下:首先针对网络中ShuffleUnit1单元,添加有效通道注意力(Efficient Channel Attention,ECA)模块;然后对于Shuffle Net结构中的两个基础单元分别进行改进,将结构中的归一化层(Batch Normalization,BN)替换为基于标准化的注意力模块(Normalization-based Attention Module,NAM),再将普通卷积替换成空洞卷积,增大网络感受野,以此构建出一个新的轻量级特征提取网络。实验结果表明,该网络模型在保持网络参数量较小的情况下,对于区分两张未知大熊猫面部图像,在圈养大熊猫和野生大熊猫数据集上分别实现了95.1%和91%的识别准确率。
中小规模养殖场泌乳期奶牛管理平台的设计与开发
这是一篇关于泌乳期奶牛,个体识别,行为识别,Django框架,管理平台的论文, 主要内容为随着现代化养殖业的迅猛发展,奶牛场养殖模式呈现数字化、规模化、精确化的发展趋势。我国是农业大国,奶业的发展是我国农业发展的关键因素之一,在奶牛养殖业中还存在很大一部分中小型农户散养模式的奶牛场,这些奶牛场管理粗放、智能化低、人工作业强度大。针对以上问题,本文使用机器视觉技术对泌乳期奶牛进行无接触的个体及行为识别,基于此利用Django框架设计和开发一种中小规模养殖场泌乳期奶牛管理平台,实现对奶牛的精确管理。本研究有助于提高奶牛场的养殖效率和经济效益,并为奶制品的安全提供保障。主要研究内容如下:(1)制作泌乳期奶牛个体识别和行为识别数据集。以泌乳期奶牛作为研究对象,利用200万像素、可全彩夜视的海康威视萤石C4摄像头,拍摄河北省石家庄市无极县东朱村某农户散养奶牛养殖场的视频图像。分析挑选适合进行模型训练的视频段,利用python编写的程序进行图像帧截取,利用LabelImg工具进行图像标注,制作用于模型训练的个体识别数据集6553张和行为识别数据集7226张。(2)基于深度学习算法YOLOv5训练泌乳期奶牛识别模型。利用YOLOv5算法训练奶牛个体识别模型和行为识别模型,对两种模型进行测试,结果表明,基于YOLOv5的泌乳期奶牛个体识别模型平均精度为98.50%,基于YOLOv5的泌乳期奶牛行为识别模型平均精度为98.22%,能够满足奶牛场对泌乳期奶牛进行目标检测的要求。在平台中,目标检测功能与泌乳期奶牛信息紧密关联,通过个体识别功能可以精确了解每一头泌乳期奶牛的个体信息,通过行为识别功能可以统计泌乳期奶牛日常行为数据,直观了解泌乳期奶牛健康信息。(3)设计与开发中小规模养殖场泌乳期奶牛管理平台。该平台使用Python作为程序的主要设计语言,整体架构采用MTV模式的Django框架进行后端开发,使用Bootstrap框架和HTML、CSS、JavaScript进行前端开发;利用Echarts进行数据可视化处理,使用MySQL数据库和Redis存取数据,并在平台中利用机器视觉技术对泌乳期奶牛进行目标检测。对平台中的功能进行详细设计,并实现各模块功能。中小规模养殖场泌乳期奶牛管理平台利用机器视觉技术进行奶牛个体识别和行为识别,基于识别对奶牛数据进行存储和系统管理,以保证对泌乳期奶牛的精确管理。该平台能够实现奶牛场的智能化管理,提高对泌乳期奶牛的管理水平和工作效率,为奶品安全溯源奠定基础。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/54390.html
