一种基于生成对抗网络的SAR智能参数化自聚焦方法.pdf
海昌****姐淑
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于生成对抗网络的SAR智能参数化自聚焦方法.pdf
本发明公开了一种基于生成对抗网络的SAR智能参数化自聚焦方法,首先,建立延展目标的SAR参数化回波模型和运动误差模型,从中分析得出运动误差与目标参数耦合关系和目标散射特性相位与目标参数的映射关系;然后,通过训练生成对抗网络得出目标散焦聚焦图像对的映射关系,并从中估计出目标参数,最后,将估计的目标参数使用在运动误差与目标参数解耦中,使用常规相位梯度自聚焦算法估计真实运动相位误差,实现目标图像的聚焦;本发明方法提供了一种高智能、高效率的SAR参数化自聚焦解决方案,预期可应用于机载、地基SAR自聚焦等领域。
一种基于SAR目标识别网络的对抗样本快速生成方法.pdf
本发明公开了一种基于SAR目标识别网络的对抗样本快速生成方法,包括以下步骤:采集用于模型训练的SAR图像数据集,根据通用目标识别模型,构建基于深度学习的SAR图像目标识别模型,并通过采用对抗扰动生成算法,获取SAR图像目标识别模型的通用对抗扰动;采集用于SAR成像的雷达参数并进行二维相位干扰调制,获取调制干扰策略;并根据无约束最小优化算法,采用Adam优化器,迭代求解二维相位调制序列;并依据调制干扰策略,获取用于干扰识别效果的通用生成扰动,通过将通用生成扰动添加到SAR图像数据集,获取SAR图像目标识别模
基于生成对抗网络模型的齿轮参数过采样方法.pdf
本发明提供一种基于生成对抗网络模型的齿轮参数过采样方法,按以下步骤进行:S1:确定需要采样的齿轮参数并采集相应数据;S2:通过神经网络构建一个生成器和一个判别器;S3:输入噪声序列信号到生成器中,得到生成数据;S4:将生成的数据与原始采样数据输入判别器进行分类判断;S5:利用Softmax层进行线性变换,得到最终分类结果;S6:将分类结果与设定值比较得到分类误差,当大于预设目标,则更新生成器中各个神经元的权重生成新的数据;小于预设目标,则更新判别器中各个神经元的权重重新分类判断;S7:将生成器生成的数据和
一种基于双层生成对抗网络的对抗样本生成方法.pdf
本发明提出了一种基于双层生成对抗网络的对抗样本生成方法,涉及人工智能安全领域。该方法采用第一层条件生成对抗网络、特征提取器、第二层生成对抗网络和目标网络;条件生成对抗网络用于生成新的样本,其鉴别器不但要分辨生成样本的真实性,还对其类别进行判定;特征提取器用于提取原始样本隐藏层特征,生成具有对抗先验的扰动;第二层生成对抗网络用于生成对抗扰动,鉴别器分析对抗样本的真实性及其与条件生成对抗网络生成样本的相似性;目标网络用于验证对抗样本的攻击成功率。本发明利用两层神经网络分别生成特定类别的样本和对抗扰动,能够实现
一种基于生成对抗网络的旋律生成方法.pdf
本发明公开了一种基于生成对抗网络的旋律生成方法,包括:数据预处理,从原始MIDI文件中提取出旋律轨道的事件序列;生成器训练,应用生成对抗网络对事件序列进行训练得到GAN生成器模型;音乐生成,利用GAN生成器模型生成音乐。采用对抗生成网络生成旋律,通过生成对抗模型的显著特征,即不断的在生成和判别之间进行博弈优化的特点,得到优质的旋律,帮助作曲家生成原始的旋律,有助于艺术创作。在判别器前增加增强判别器,增加领域知识的判断,更有利于训练过程中判别器快速收敛迭代,缩短训练时间。