《雷达学报杂志》发表论文赏析
作者:赵飞翔, 刘永祥, 霍凯
单位:国防科技大学电子科学学院 长沙 410073;
摘要:雷达目标分类在军事和民用领域发挥着重要作用。极限学习机(Extreme Learning Machine, ELM)因其学习速度快、泛化能力强而被广泛应用于分类任务中。然而,由于其浅层结构,ELM无法有效地捕获数据深层抽象信息。虽然许多研究者已经提出了深度极限学习机,它可以用于自动学习目标高级特征表示,但是当训练样本有限时,模型容易陷入过拟合。为解决此问题,该文提出一种基于Dropout约束的深度极限学习机雷达目标分类算法,在雷达测量数据上的实验结果表明所提算法在分类准确率上达到93.37%,相较栈式自动编码器算法和传统深度极限学习机算法分别提高了5.25%和8.16%,验证了算法有效性。
关键词:极限学习机, 深度学习, Dropout约束, 雷达目标分类, 栈式自动编码器
基金资助:国家自然科学基金(61422114,61501481),湖南省杰出青年科学基金(2015JJ1003)
2018年5期其他文献查阅:
正弦调频Fourier-Bessel变换及其在微动目标特征提取中的应用