《表7 基于XPF网络不同步数下目标识别率Tab.7 The target recognition rate under different steps based on the XPF networ

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度卷积神经网络的极化雷达目标识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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.