终端区航空器飞行轨迹聚类分析及异常检测研究

作者： 强懿耕   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 终端区   能量高度   卷积神经网络(CNN)   轨迹聚类   航空器   异常检测  

描述： 终端区航空器飞行轨迹聚类分析及异常检测研究

终端区航空器飞行轨迹聚类分析及异常检测研究

作者： 强懿耕   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 终端区   能量高度   卷积神经网络(CNN)   轨迹聚类   航空器   异常检测  

描述： 终端区航空器飞行轨迹聚类分析及异常检测研究

基于多维特征的航空器终端区异常轨迹识别研究

作者： 靳辉辉   来源： 中国民航大学 年份： 2019 文献类型 ： 学位论文 关键词： 终端区   多维特征   多维运动特征   爬升下降率   航空器   异常检测  

描述： 基于多维特征的航空器终端区异常轨迹识别研究

基于多维特征的航空器终端区异常轨迹识别研究

作者： 靳辉辉   来源： 中国民航大学 年份： 2019 文献类型 ： 学位论文 关键词： 终端区   多维特征   多维运动特征   爬升下降率   航空器   异常检测  

描述： 基于多维特征的航空器终端区异常轨迹识别研究

基于监视数据的机动区航空器异常行为检测

作者： 刘朋   来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 机动区   航空器   异常检测   速度异常   轨迹异常  

描述： 基于监视数据的机动区航空器异常行为检测

基于监视数据的机动区航空器异常行为检测

作者： 刘朋   来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 机动区   航空器   异常检测   速度异常   轨迹异常  

描述： 基于监视数据的机动区航空器异常行为检测

基于监视数据的终端区航空器异常行为识别研究

作者： 邓人博   来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 轨迹相似性模型   异常行为检测   终端区   谱聚类   航空器  

描述： 基于监视数据的终端区航空器异常行为识别研究

基于监视数据的终端区航空器异常行为识别研究

作者： 邓人博   来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 轨迹相似性模型   异常行为检测   终端区   谱聚类   航空器  

描述： 基于监视数据的终端区航空器异常行为识别研究

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

作者： 王思雨   高鑫   孙皓   郑歆慰   孙显   来源： 雷达学报 年份： 2017 文献类型 ： 期刊 关键词： 合成孔径雷达(SAR)   数据增强   视觉显著性   飞机检测   卷积神经网络(CNN)  

描述： 传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

作者： 王思雨   高鑫   孙皓   郑歆慰   孙显   来源： 雷达学报 年份： 2017 文献类型 ： 期刊 关键词： 合成孔径雷达(SAR)   数据增强   视觉显著性   飞机检测   卷积神经网络(CNN)  

描述： 传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。