在這科學(xué)技術(shù)不斷發(fā)展的時(shí)代,人們的生活范圍不斷的擴(kuò)大,從陸地上不斷的向海中開拓和發(fā)展。然而水下的環(huán)境相對(duì)比較復(fù)雜,因此有效的進(jìn)行目標(biāo)檢測(cè)成為一項(xiàng)重要的研究?jī)?nèi)容。在以往的技術(shù)中對(duì)目標(biāo)檢測(cè)主要依靠人們的經(jīng)驗(yàn),得到的結(jié)果具有主觀性,同時(shí)這對(duì)人們的專業(yè)知識(shí)的要求也比較高。對(duì)此,需要研究的主要內(nèi)容是如何對(duì)目標(biāo)進(jìn)行自動(dòng)的檢測(cè)�；谶@樣的背景,本文進(jìn)行了研究分析。在本文中主要分兩部分進(jìn)行介紹,第一部分是對(duì)線譜的提取,第二部分是對(duì)提取到的線譜進(jìn)行檢測(cè)。線譜的屬性能很好的代表目標(biāo)的類型,因此,在線譜的提取中主要目的是提取到線譜更加完整。在本文中對(duì)線譜提取的方法進(jìn)行改進(jìn),生成LOFAR圖時(shí)加入對(duì)數(shù)函數(shù),可以將強(qiáng)弱線譜在有限的動(dòng)態(tài)范圍內(nèi)顯示出來。線譜提取時(shí),使用了積分函數(shù)來對(duì)閾值進(jìn)行量化。減少人為干預(yù)。提取到線譜之后,如何進(jìn)行檢測(cè)也是非常重要的一個(gè)步驟,在本文的研究中,使用的是卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行檢測(cè)的,傳統(tǒng)的卷積網(wǎng)絡(luò)存在著一些不足之處,訓(xùn)練是需要大量的時(shí)間和參數(shù),對(duì)硬件的依賴性比較大。針對(duì)這種情形,提出了一種基于CNN的快速和壓縮的方法的網(wǎng)絡(luò)模型,在這個(gè)模型中,使用的是低階擴(kuò)張的方式將卷積核進(jìn)行分解。將一層網(wǎng)...

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1卷積示意圖

核心部分是卷積層，權(quán)值共享和局部連接是其最少相應(yīng)的參數(shù)[23]。卷積層中的每一個(gè)特征圖中的局部特征。下一層的卷積可以對(duì)上一層得到的特，使用的是一個(gè)5×5的卷積核卷積操作輸入的特經(jīng)元對(duì)輸入的特征圖中的神經(jīng)元信息共享。從而下的圖中的右圖是左邊的特征圖通過卷積之后得的稱為該神經(jīng)元在....

圖2.2采樣層示意圖

圖2.2采樣層示意圖特征圖的大小為m×m，用一個(gè)采用尺度為w×大小將會(huì)是(mw)×(mh)。圖片的特征主要是通過卷積層和下采樣層。然后會(huì)有一層或幾層的全連接的網(wǎng)絡(luò)，常用的分類器的softmax分類器。主要是對(duì)在卷積神經(jīng)網(wǎng)絡(luò)中使用比較廣泛的soax分類....

圖2.4稀疏連接方式示意圖

第2章相關(guān)技術(shù)理論基礎(chǔ)的連接是卷積網(wǎng)絡(luò)的一個(gè)主要特性。對(duì)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)而言，構(gòu)是每一層中的神經(jīng)元節(jié)點(diǎn)特點(diǎn)，并且各層之間使用的是全連接的形經(jīng)網(wǎng)絡(luò)中相鄰兩層之間采用的是局部連接的形式，所謂的局部連接就局部空間的相關(guān)性，通過與相鄰的每一層的神經(jīng)元節(jié)點(diǎn)相連接而且只[34]....

圖2.5權(quán)重共享示意圖

圖2.4稀疏連接方式示意圖的圖就是局部連接的一種表現(xiàn)形式，相鄰層之間使用是局假設(shè)m1層作為卷積層的輸入層，它的下一層m層中的神個(gè)節(jié)點(diǎn)。通過使用這種方式就能降低神經(jīng)網(wǎng)絡(luò)的參數(shù)。而且有多層這樣的結(jié)構(gòu)，視野的區(qū)域?qū)?huì)被大量的覆蓋，從而使是卷積神經(jīng)網(wǎng)絡(luò)中的另一個(gè)非常重要的特征....

本文編號(hào)：4044965