科研之友
微信
新浪微博
Facebook
分享链接
摘要
以机器学习为主的雷达目标识别模型性能由模型与数据共同决定。当前雷达目标识别评估依赖于准确性评估指标，缺乏数据质量对识别性能影响的评估指标。数据可分性描述了属于不同类别样本的混合程度。数据可分性指标独立于模型识别过程，将其引入识别评估过程，可以量化数据识别难度，预先为识别结果提供评判基准。因此该文基于率失真理论提出一种数据可分性度量，通过仿真数据验证所提度量能够衡量多维高斯分布数据的可分性优劣。进一步结合高斯混合模型，设计的度量方法能够突破率失真函数的局限性，捕捉数据局部特性，提高对数据整体可分性的评估精度。接着将所提度量应用于实测数据识别难度评估中，验证了其与平均识别率的强相关性。而在卷积神经网络模块效能评估实验中，首先在测试阶段量化分析了各卷积模块提取特征的可分性变化趋势，进一步在训练阶段将所提度量作为特征可分性损失参与网络优化过程，引导网络提取更可分的特征，该文从特征可分性角度为神经网络识别性能的评估与提升提供新思路。
- 单位
