高维特征向量相似度计算方法研究

在机器学习、目标识别等诸多领域都会涉及到特征向量的有效识别问题,大多是通过与先期建立的模板特征向量库进行比对,因此高维特征向量的相似度计算就成为特征识别的关键。提出利用互信息熵的计算方法描述高维特征向量之间的“距离”,与传统的“欧氏距离”“相关系数”等方法相比较,不仅考虑了向量的长度信息,还考虑了角度信息,因此可以更进一步地描述高维向量彼此之间的差异,丰富高维特征向量相似度计算方法。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。