应用BP神经网络的目标识别效果评估

doi:10.3778/j.issn.1002-8331.2010.05.045

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (5): 148-150.DOI: 10.3778/j.issn.1002-8331.2010.05.045

• 图形、图像、模式识别 • 上一篇下一篇

应用BP神经网络的目标识别效果评估

秦富童，岳丽华，万寿红

中国科学技术大学计算机科学与技术系，合肥 230027

收稿日期:2008-08-18 修回日期:2008-11-10 出版日期:2010-02-11 发布日期:2010-02-11
通讯作者: 秦富童

Performance evaluation in automatic target recognition using BP neural network

QIN Fu-tong，YUE Li-hua，WAN Shou-hong

Department of Computer Science and Technology，University of Science and Technology of China，Hefei 230027，China

Received:2008-08-18 Revised:2008-11-10 Online:2010-02-11 Published:2010-02-11
Contact: QIN Fu-tong

摘要/Abstract

摘要： 根据图像处理目标识别领域的实际应用和需求，确定了目标识别效果评估的指标及其计算方法。针对现有目标识别效果评估方法中存在过多的人工干预，使得评估结果带有较强主观性的问题，提出了一种基于BP神经网络的目标识别效果评估模型，该模型可以减少评估过程中人为因素的影响，提高评估结果的可信度。通过对实测数据进行实验，验证了该模型的评估结果与专家的定性评判具有较高的一致性。

关键词: 目标识别, 效果评估, BP神经网络

Abstract: Based on the application and requirement in Automatic Target Recognition（ATR） of image processing，the evaluation indexes and their calculation methods are designed.Aiming at the problem that there are so many man-made factors in existing methods that make the results of evaluation subjective，a performance evaluation model which is based on BP neural network is established.This model can reduce the effect of man-made factors and enhance the reliability of evaluation results.Through carrying out simulation and analysis by test data，the results of this model and the judgments of experts are in much high consistency.

Key words: automatic target recognition, performance evaluation, BP neural network

中图分类号:

TP391.41

秦富童，岳丽华，万寿红. 应用BP神经网络的目标识别效果评估[J]. 计算机工程与应用, 2010, 46(5): 148-150.

QIN Fu-tong，YUE Li-hua，WAN Shou-hong. Performance evaluation in automatic target recognition using BP neural network[J]. Computer Engineering and Applications, 2010, 46(5): 148-150.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[5]	续晓丽，刘从峰，范广宇. 多尺度特征融合的二维编码图像识别[J]. 计算机工程与应用, 2020, 56(20): 165-172.
[6]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[7]	刘有用，张江梅，王坤朋，冯兴华，杨秀洪. 不平衡数据集下的水下目标快速识别方法[J]. 计算机工程与应用, 2020, 56(17): 236-242.
[8]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[9]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[10]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[11]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[12]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[13]	赵琛，王昱潭，朱超伟. 基于几何特征的灵武长枣图像分割算法[J]. 计算机工程与应用, 2019, 55(15): 204-212.
[14]	李展1，2，3，4，郝颖明1，3，4，付双飞1，3，4. 基于结构光的星箭对接环相对位姿测量方法[J]. 计算机工程与应用, 2019, 55(10): 205-212.
[15]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.

应用BP神经网络的目标识别效果评估

Performance evaluation in automatic target recognition using BP 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