D人工神经网络5A.pptVIP

5.1.4.2 LVQ网络在探地雷达探雷中的应用 　　探地雷达作为非破坏性探测手段正被广泛应用于地下目标（如空洞、管道、地雷等）的探测。 　　如何对雷达回波信号进行处理以识别地下埋设的目标始终是困扰探地雷达应用的难题。 　　目前主要依赖于成像技术，处理结果一般由人工加以解释，该方法不仅无法进行实时处理，同时也对操作者的技术经验提出了很高的要求。 　　针对上述问题，用信号的学习向量量化神经网络对目标进行分类，取得了较好的效果。处理过程如图5.5示。 （1）预处理与特征提取 （2）LVQ网络的设计 （3）LVQ网络的训练和测试 5.1.4 LVQ网络的设计与应用 5.1 学习向量量化神经网络 原始数据 滤波消噪 消除背景 特征提取 神经网络 目标分类结果 预处理 模式识别 5.1.4.2 LVQ网络在探地雷达探雷中的应用 （1）预处理与特征提取 　　数据集合来自中心频率为1GHz的无载频脉冲探地雷达系统，试验对象为反步兵地雷、金属盒及砖块，试验介质分别为沙滩和中性土壤，埋深分别为20cm及40cm。 　　原始信号经过延时校正、滤波及减背景操作后，突出了目标信号，提高了信噪比。信号的特征提取从时域、频域、自相关、功率谱、双谱、小波等方面考虑，这里采用谱估计理论来提取目标信号的特征。由于雷达信号是非平稳、非周期且非瞬态的信号，不能直接使用傅里叶变换，可优先使用部分扫描的Welch平均重叠周期谱对信号谱计算，该谱估计方法对区分目标和对目标进行定位非常有效。 5.1.4 LVQ网络的设计与应用 5.1 学习向量量化神经网络 原始数据 滤波消噪 消除背景 特征提取 神经网络 目标分类结果 预处理 模式识别 5.1.4.2 LVQ网络在探地雷达探雷中的应用 （2）LVQ网络的设计 　　训练样本为3360个，测试样本为240个。 　　将谱估计的结果进行K-L变换，将信号从64维降低到16维，从而缩小了样本空间，有效降低了神经网络学习的计算量。整个神经网络由输入层、竞争层和线性输出层组成，输入层包括了16个神经元，对应于每个谱值；竞争层的神经元个数选为16个；输出层包含3个神经元，分别对应于反步兵地雷、砖块和金属盒三种目标。 5.1.4 LVQ网络的设计与应用 5.1 学习向量量化神经网络 原始数据 滤波消噪 消除背景 特征提取 神经网络 目标分类结果 预处理 模式识别 5.1.4.2 LVQ网络在探地雷达探雷中的应用 （3）LVQ网络的训练和测试 　　训练前先将训练集与测试集样本归一化，经过训练后的LVQ网就可以用来对探地雷达信号中提取的浅表目标进行测试分类。 　　表5.3列出了训练好的LVQ网络对三种不同介质中的反步兵地雷目标进行识别的结果。 　　从测试结果可以看出，介质均匀，会导致识别率的降低，其主要原因是由于干扰增多。 5.1.4 LVQ网络的设计与应用 5.1 学习向量量化神经网络 36% 19/60 17/40 黏土介质 63% 38/60 25/40 沙土介质 84% 52/60 32/40 沙滩介质 识别从事/测试次数 识别从事/测试次数 平均识别率 测试二 测试一 介质 表5.3 不同介质下反步兵地雷神经网络测试结果 5.2 对向传播神经网络 　　1987年，美国学者Robert Hecht-Nielsen提出的对偶传播神经网络模型(Counter propagation network，缩写为CPN)，最早是用来实现样本的选择匹配。CPN网能存储二进制或模拟值的模式对，因此这种网络模型也可用作联想存储、模式分类、函数逼近、统计分析和数据压缩等用途。 5.2.1 网络结构与运行原理 5.2.2 CPN的学习算法 5.2.3 改进的CPN网举例 5.2.4 CPN网的应用 5.2.1 网络结构与运行原理 　　图5.6给出了对偶传播网络的标准三层结构，各层之间的神经元通过全互连连接。 　　从拓扑结构看，CPN网与三层BP网没有什么区别，但实际上它是由Kohonen的自组织网和Grossberg的外星网的组合而成的。 其中隐层为Kohonen网的竞争层，该层的竞争神经元采用无导师的竞争学习规则进行学习，输出层为Grossberg层，它与隐含层全互连，采用有导师的Widrow-Holf规则或Grossberg规则进行学习。 5.2 对向传播神经网络 5.2.1 网络结构与运行原理 　　网络各层的数学描述如下： 　X=(x1, x2, …, xn)T 　Y=(y1, y2, …, ym)T, yi∈{0, 1}, i=1, 2, …, m 　O=(o1, o2, …, ol)T 　d=(d1, d2, …, dl)T 　V=(V1, V2, …, Vj, …, Vm) 　W=(W1, W2, …, Wk,