《表6 基于XF网络不同步数下目标识别率Tab.6 The target recognition rate under different steps based on the XF network》
2) 把Pauli分解理论和Freeman分解理论运用到协方差矩阵C上可以使我们获得更多的雷达目标的本质特征,对雷达目标识别率的提高有很大作用.由表3可以看出在相同的训练步数Step下,采用不同的特征提取方式,Loss值不同,而且采用XP、XF、XPF的Loss值相对于仅采用X的值要小,采用XPF的Loss值相对于采用XP、XF的值也较小,说明了XPF的网络输出值与真实值更加接近;对比表4、表5、表6、表7,在训练步数较小的情况下,XPF的结果均比在XF、XP、X条件下的雷达目标识别率高,而且目标的平均识别率达到100%所用训练步数从小到大依次为XPF、XF、XP和X,这说明了Pauli分解理论和Freeman分解理论的运用使我们得到了更多有效、更加全面的雷达目标信息.
图表编号 | XD0014104500 严禁用于非法目的 |
---|---|
绘制时间 | 2018.10.01 |
作者 | 盖晴晴、韩玉兵、南华、白振东、盛卫星 |
绘制单位 | 南京理工大学、南京理工大学、北京航天长征飞行器研究所、北京航天长征飞行器研究所、南京理工大学 |
更多格式 | 高清、无水印(增值服务) |
查看“表6 基于XF网络不同步数下目标识别率Tab.6 The target recognition rate under different steps based on the XF network”的人还看了
- 表2 不同学习率与迭代次数下识别准确率的比较Tab.2 Recognition accuracy comparison under differentlearning rates and iterations