基于改进的初始-VGG16混合网络的飞机唤醒旋识别方法.

科学领域:

• 航空航天工程 航空航天工程
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 准确识别飞机起伏旋对于航空安全至关重要.
• 传统方法难以应对复杂的背景噪音和多尺度特征.
• 深度学习为增强的唤醒探测提供了潜力.

研究的目的:

• 提出并验证混合深度学习网络Inception-VGG16,用于准确识别飞机起床.
• 为了增强特征提取能力,用于多尺度唤起状特征.
• 为了提高复杂环境中唤醒探测的稳定性.

主要方法:

• 开发了一个混合Inception-VGG16网络架构.
• 使用Feature0模块从多普勒雷达速度数据中提取初步特征.
• 采用了改进的InceptionB和InceptionC模块,用于多尺度的特征提取.
• 整合了VGG16的层次结构,用于深层特征提取和分类.

主要成果:

• 在3530个风场样本上,Inception-VGG16模型实现了98.8%的分类精度.
• 显著优于传统方法 (SVM,KNN,RF) 和单一VGG16网络.
• 在处理多尺度的唤醒特征和处理复杂的背景方面表现出卓越的能力.

结论:

• 拟议的Inception-VGG16混合型号为飞机唤起 identification提供了一个高度准确和强大的解决方案.
• 这种深度学习方法增强了航空安全监测系统.
• 该模型有效地克服了单个网络在复杂特征提取中的局限性.