基于遗传神经网络的背景杂波抑制技术研究

doi:10.3778/j.issn.1002-8331.2010.23.050

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (23): 178-180.DOI: 10.3778/j.issn.1002-8331.2010.23.050

• 图形、图像、模式识别 • 上一篇下一篇

基于遗传神经网络的背景杂波抑制技术研究

李志军¹，范巧艳²，艾斯卡尔·艾木都拉²

1.新疆大学物理科学与技术学院，乌鲁木齐 830046
2.新疆大学信息科学与工程学院，乌鲁木齐 830046

收稿日期:2009-01-19 修回日期:2009-03-27 出版日期:2010-08-11 发布日期:2010-08-11
通讯作者: 李志军

Background clutter suppression technology based on genetic neural network

LI Zhi-jun¹，FAN Qiao-yan²，Askar Hamdulla²

1.Institute of Physics Science and Technology，Xinjiang University，Urumqi 830046，China
2.Institute of Information Science and Technology，Xinjiang University，Urumqi 830046，China

Received:2009-01-19 Revised:2009-03-27 Online:2010-08-11 Published:2010-08-11
Contact: LI Zhi-jun

摘要/Abstract

摘要： 低信噪比条件下点状运动目标的检测性能在很大程度上依赖于对红外背景杂波的抑制情况。针对遗传算法的全局搜索能力以及神经网络的非线性预测能力，提出了一种基于遗传神经网络的背景杂波抑制技术。杂波抑制后，残留噪声的高斯性和独立性通过 Kendall秩相关法和计算Friedman统计量的方法进行了验证。

关键词: 杂波抑制, 遗传算法, 神经网络, Kendall秩相关系数, Friedman统计量

Abstract: The performance of detecting point moving target under the condition of low Signal Noise Ratio（SNR） IR（Infra-
Red） images is dependent greatly on the suppression of background clutter.For the global search capability of genetic algorithm and nonlinear mapping ability of neural network，a kind of background clutter suppression technology based on genetic neural network is presented in this paper.Gaussianity and independency of residuals are also verified using Kendall rank correlation and Friedman statistic methods.

Key words: clutter suppression, genetic algorithm, neural network, Kendall rank correlation, Friedman statistic

中图分类号:

TN911.23

李志军¹，范巧艳²，艾斯卡尔·艾木都拉². 基于遗传神经网络的背景杂波抑制技术研究[J]. 计算机工程与应用, 2010, 46(23): 178-180.

LI Zhi-jun¹，FAN Qiao-yan²，Askar Hamdulla². Background clutter suppression technology based on genetic neural network[J]. Computer Engineering and Applications, 2010, 46(23): 178-180.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

基于遗传神经网络的背景杂波抑制技术研究

Background clutter suppression technology based on genetic neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics