基于BP神经网络的IRFPA改进型非均匀性校正算法

合集下载

基于中值滤波的红外焦平面阵列非均匀性神经网络校正

Ａｂｓｒｃ：Ｓｎｅｔｅｔａｉｉｎｌｅｒｌｅｗｏｋｎｎｕｉｒｔｏｒｃｉｎａｇｒｔｍａｏｒｃｎｅ－ｔａｔｉｃｈｒｄｔｏａｕａｔｒｏ — ｎｆｍｉｙｃｒｅｔｏｌｏｉｈｈｓｌｗｅｏｖｒｎｎｏ
中图分类号：Ｔ２５文献标识码：ＡＮ１ＤＯ：１．６／ｉｎ１７—７５００８０Ｉ０９９ｊｓ．２８８．１．．４３．ｓ６２００
ＮｅａｅｗｏｋＮｏｕｎｉｏｍｉｙＣｏｒｃｉｎＭｅｈｏｕｒｌＮｔｒｎ－ｆｒｔｒｅｔｏｔｏｄｆｒ
强噪声进行预处理，在此基础上采用改进的神经网络校正算法对ＩＦＡ非均匀性进行ＲＰ
自适应校正。实验结果表明，该算法与传统的神经网络方法相比具有收敛速度快和校
正精度高等特点，并且使图像的峰值信噪比至少提高了１ｄ０Ｂ。
关键词：中值滤波；红外焦平面；非均匀性校ａｄｃｎｍａｅｔｅｐｅｋｓｇｌｔｏｓａｉｍｐｏｅｙ１ｄａｅｔｒｔｏａｔｏｎａｋｈａｉｎａｏｎｉｅｒｔｏｂｅｉｒｖｄｂ０Ｂｔｌａ．ｄｓＫｅｏｄ：ｍｅｉｎｆｔｒｎ；ＩＰＡ；ｏ — ｎｆｒｉｙｃｒｅｔｏ；ｅｒｌｅｗｏｋｙｗｒｓｄａｌｅｉｇＲＦｉｎｎｕｉｍｔｏｒｃｉｎｎｕａｔｒｏｎ
ｎｎｕｉｒｔｆｎｉｆｒｃｌｌｅａｒ（ＦＡｂｅｎｍｅｉｌｒｇｉｐｏｏｅ．Ｉｅｏ—ｎｏｍｉｏｒｅｆａｐａｒｙＩＰ）ａｄｏｄａｆｔｉｒｐｓｄｎｔｆｙａｎａｄｏｎａＲｓｎｉｅｎｓｈ

一种改进的自适应非均匀性校正算法

一
应，即传感器将目标场景的信号变量（照度）辐通过线性响应转化为测量值Ｙ灰度值）（。第ｉ行列
的探测元的响应模型可以写为Ｙ（）ｇ（）（）＋ｔｔ＝ｆｔＯ（）（）１
式中ｇ（）探测元响应特性的增益系数。ｔ是Ｏ（）ｔ是偏移系数。
步提高图像质量的瓶颈。扫描型成像系统通过沿
个方向对场景进行扫描获得图像，因此存在明显的
一
固定图案噪声，为水平或竖直的亮暗条纹。这些表现条纹严重影响了图像的分辨率。在工程使用中几乎
毫无例外地都要进行非均匀性校正。基于场景的非均匀性校正算法是目前研究的
第１０卷
第１２期
２１００年４月
科
学
技
术
与
工
程
Ｖｏ．１Ｎｏ２Ａｐ．２０１０．１ｒ０１
１７ — ８５２１）２２８．３６１１１（００１．９４０
ＳｉｎｅＴｅｈｏｏｙａｄＥｎｉｅｒｎｃｅｃｃｎｌｇｎｇｎｅｉｇ
部像素处理，以单帧内完成非均匀性校正。仿真结果表明该算法能够有效地去除非均匀性引起的横条纹，可并且算法具有很好的实时性，能够满足高速实时图像处理的要求。关键词线列焦平面陈列非均匀性校正恒定统计
中图法分类号
Ｔ３１ＳｉｅｈＥｇｇ００ｃＴｃ．ｎｎ．．

BP神经网络收敛性问题改进措施IT计算机

BP神经网络收敛性问题改进措施- IT计算机BP神经网络的改进方法及详细措施第24卷第1期Vo124No1重庆交通学院学报JOURNALOFCHONGQINGJIAOTONGUNIVERSITY2023年2月Feb.,2023BP神经网络收敛性问题的改进措施贺清碧,周建丽(重庆交通学院计算机及信息工程学院,重庆400074)ΞBP神经网络的改进方法及详细措施重庆交通学院学报第24卷144llΣδW′jk(n0+1)=W′jk(n0)+ηjkx′jppp权和的结果使ΔWij(n0)减小,因而起到了稳定作用.213变步长法变步长法的基本思想为:先设一初始步长,若一次迭代后误差函数J 增大,则将步长乘以小于1的常数,沿原来方向重新计算下一个迭代点;若一次迭代后误差函数J削减,则将步长乘以小于1的常数.假设传统的BP算法权值修正公式为0)ΔW=Wij(n0+1)=Wij(n0)+η9Wij(n0)(1)p=1lllWjk(n0+1)=Wjk(n0)+ηΣδjkxjpppp=1llBP算法特点就是在反向传播等效误差量δlpppll时,δl地位相像于正向传播中的输出yl,因此给计算带来了很大便利.BP算法如下进行:(1)正向传播,计算输出和总误差E;pl(2)反向传播误差δWij;l,计算Δ(3)修改权值Wij,然后回到(1)循环往复,直到达到E的最小值点,实际计算中,经常给E规定一个界限,当E达到这一界限时,计算便终止.2BP网络存在的收敛性问题及几点改进措施BP算法是一种有效的学习算法,很有用,业掌握如DC-DC变换器的智能掌握、应用,很慢,.通常影响收敛速度的首先是误差函数,由于它是权重多维空间的超曲面,该曲面存在着很多大范围的“平坦区”,又存在着大量的局部微小的“沟谷”,从而影响收敛速度,甚至难于收敛.其次是神经元的传输函数引起的“假饱和现象”.另外收敛速度还与初始权值和传输函数的选择有关.针对这个问题,可以采纳以下几点改进措施: 211转变误差函数ppllδ由于等效误差重量δjk和ij的大小和正负的变化对收敛速度存在影响,由于BP网络是误差逆向传ppplllδ播,δjk和δij两者比较,jk对收敛速度的影响更大,所以,我们可选取“信息熵”作为误差函数的定[6]义,lE总=ΣΣ[tlllogyll+(1-tll)δlog(1-l该公式中学习步长η是一个固定值,若在0-1内取值,算法将导致不收敛,若步长过小,收敛速度太慢,,,导致,在,学习步长是一个η(n0+1)=η(n0)-β(2)J式中,η(n0+1),η(n0)分别为学习步长修正后的值和当前值,-β为步长增量;0β1为常量.J在学习过程中,逐步自动调整学习常数,每次对学习样本进行一次循环后,计算误差变化率:J(n)-J(n-1)ΔJ(3)=JJ(n0)采纳ΔJ/J作为步长修正依据是基于以下考虑:当ΔJ=J(n0)-J(n0-1)0,说明学习误差正在增大,输出值正大远离期望值,权值调整过大,需要减小ΔW.由公式(1),若削减η,ΔW也必定削减.而学习步长调整公式(2)中η的确是在减小,符合要求,能够加快学习收敛速度.反之,当ΔJ=J(n0)-J(n0-1)0,说明学习误差在减小,输出值正在靠近期望值,这时若增大ΔW则会加快误差减小,但是当误差J已经很小时则ΔJ 变化很小,对ΔW的影响就很小,收敛速度很慢.但是ΔJ/J的变化要比ΔJ 变化大得多,则对ΔW的影响就很大.由公式(3)减小了ΔJ/J也就增大了η,从而加快学习收敛速度.214连接权重的选择收敛速度还与初始权值的选择有关,为避开学习过程中的振荡,J.Caillon等人曾强调限制连接权重的范围,将权重初值限制在[-015,015]区间内随机选取.一般将连接权重初值限制在[-5,5],也可加速收敛.215传输函数(激励函数)的选取传输函数(激励函数)也是BP算法中影响收敛pn-1ppppp=1l=0lly)],其中,δ=yll-tll.lpllppp212加入动量项为了使学习速率足够大,又不易产生振荡,依据Rumelhart的建议,在权值调整算式中,加入“动量n0k-1n-1项”,即: Wij(n0)=-ηΣβ+β0k=29Wij(k-1)ΔW(1)其中β为调整因子,这里0β1.该式的意义在于:当本次9J(n0)/9Wij(n0)与前一次同符号时,其加权求和值增大,使ΔWij(n0)增大,从而在稳定时增加了W的学习速度;当9J(n0)/9Wij(n0)与前次符号相反时,说明有肯定的振荡,此时指数加BP神经网络的改进方法及详细措施第2期贺清碧,等:BP神经网络收敛性问题的改进措施145的重要因素,传输函数的选取影响着BP算法的收敛速度,在BP算法中,传输函数f一般取为f(x)=(1+e-x)-1,这是一个S型函数,它满意:(1)limf(x)=1;x +∞x -∞[7]时刻的修改方向则为上一时刻修改方向与此刻方向的组合,它能有效加速收敛并防止振荡;初始权值和传输函数的选取等.。

红外探测器非均匀性校正

响的红外焦平面阵列图像
b.较为理想的红外焦平面阵列图像
图3：红外焦平面阵列图像校正前后对比
非均匀性的校正方法
红外探测器非均匀性校正
基于温度标定的非均匀性校正
基于场景的非均匀性校正
单点法
两点法
多点法
时域高通滤波法
恒定统计法
卡尔曼滤波法
基于温度标定的校正技术的原理及优缺点基于温度标定的校正技术要求在特定温度下由黑体产生的均匀辐射对红外焦平面阵列定标，通常使用两点定标算法或多点定标算法。优点：算法成熟、原理简单，便于硬件实时处理实现；缺点：当红外探测器的非均匀性很大时，基于标定的校正方法存在一定的误差，并且基于标定的校正方法在使用时，需要隔一段时间就进行重新标定，以保证非均匀校正系数的准确。
(c) 两点温度标定校正后
(d) 三点温度标定校正后
非均匀性校正的算法（两点校正为例）过程
分别在高温辐照度低温辐照度进行定标根据标定数据，应用盲元检测算法得到盲元的数目、标记盲元的位置得到中间辐照度的红外数据，并判断是否是盲元 No 运用两点或多点校正算法，得到校正后的数据运用校正后的数据和盲元补偿算法，得到补偿后的数据
(a) 未进行盲元的检测和补偿
(b) 进行盲元检测和补偿后
图2：进行和未进行盲元检测比较图
非均匀性的产生原因
1
部件影响非均匀性的起因饱和电流探测器阵列光敏面积
具体因素载流子寿命、掺杂浓度 PN节面积、晶体缺陷光刻技术表面反射率、载流子寿命入射光谱成分成分配比、势阱深度掺杂浓度、势阱深度 CCD设计、电荷迁移率势阱的非线性输入电阻、电容
HgCdTe光伏探测器的辐射响应性能与它所处的实际温度相关，焦平面器件和焦平面器件探测单元的温度均匀性将影响整个焦平面器件响应的均匀性。同样，红外探测单元及其CCD器件单元驱动信号的变化将影响整个焦平面器件响应的均匀性。这种非均匀性主要由焦平面器件的工作状态确定，同一焦平面在不同成像系统中可以有不同的非均匀性效果。

红外图像非均匀性校正及增强算法研究

红外图像非均匀性校正及增强算法研究受限于制造工艺的约束,红外焦平面中各探测像元的光电响应率不一致,即存在非均匀性问题,导致图像中出现固定样式噪声,且具有缓慢的时间漂移性。

并且,红外探测器的光电响应动态范围较大,而单幅图像场景的温度范围通常在红外探测器总体动态范围中占比小,导致原始红外图像对比度低、物体边界模糊。

因此,非均匀性校正和图像增强是必不可少的红外图像预处理步骤。

本文将围绕基于场景的非均匀性校正和红外图像增强技术展开研究,论文的主要研究内容如下:1.凝视型红外探测器中,传统的基于神经网络的非均匀性校正方法通常假设固定样式噪声满足独立同分布,但在低成本非制冷探测器中,非均匀性的条纹噪声强,噪声分布特性不满足假设,导致现有方法难以兼顾边缘保护与条纹噪声抑制。

针对该问题,本文提出了基于自适应稀疏表示以及局部全局联合约束学习率的非均匀性校正方法,引入稀疏表示理论,利用干净的红外图像集训练出的过完备字典中的原子可稀疏地表示图像场景信息的特性,在自适应的误差容限内重建图像,从而保护图像边缘、将噪声成分当作冗余去除。

实验结果表明,在均方根误差指标上,本方法相比传统方法降低了1.1652至1.9107不等、降低了约17.92%至26.37%,能够在保护图像边缘的同时有效去除包括条纹噪声在内的固定样式噪声。

2.扫描型红外探测器中,若直接采用凝视型探测器的非均匀性校正方法,则仍需数百帧图像计算校正系数,算法收敛慢。

传统的扫描型探测器校正方法利用扫描成像的特性逐列(假设沿行扫描)更新校正系数,在单帧图像内完成校正。

然而,单帧图像内场景辐射多样性通常有限,导致传统方法易陷入局部最优解。

对于可拍摄连续图像序列、不要求单帧完成校正的实时成像应用,本文提出了基于图像配准的扫描型红外探测器的非均匀性校正方法,利用帧间运动信息来提高校正精度,并结合扫描成像特性加快算法收敛。

实验结果表明,本方法仅需十几对配准图像对便能收敛,收敛速度快;在粗糙度指标上,本方法相比传统方法降低了0.0072至0.0306不等、降低了约8.15%至27.39%,减少了因单帧图像辐射多样性不足导致的校正误差,有效提高了校正精度。

基于校正率的红外焦平面阵列非均匀性校正评估新方法

第 26 卷第 1 期 2007 年 2 月文章编号 : 1001 - 9014 ( 2007 ) 01 - 0056 - 05
红外与毫米波学报
J. Infrared M illim. W aves
Vol . 26, No. 1 February, 2007
基于校正率的红外焦平面阵列非均匀性校正评估新方法
RM S E =
2 新的评估方法及实验验证
2. 1 时域噪声特性
红外热成像系统输出的时域噪声符合高斯分布 , IRFPA 非均匀性校正的目标是将空间固有噪声减低到时域瞬态噪声的水平
[5]
1
NM
N
M
.
∑∑
i =1 j =1
^ - I ) (I ij ij
2
,
(3) (4)
^ 分别是 I
本文实验使用非制冷焦平面红外热成像装置 :
像时域噪声见表 1. 从表 1 中时域噪声随目标黑体温度变化可以发现 , 时域噪声基本不随目标温度变化而变化 .
表 1 时域噪声随黑体温度变化 Table 1 The tem pora l no ise var ies w ith the blackbody tem 2 pera tures
目标黑体温度 ( ℃) 原始图像输出时域噪声 ( bit) 两点法校正后噪声温度 ( ℃) 二次曲线法校正后噪声温度 ( ℃)
40 50 60 70 80 90 100 110 120 130 7. 05 5. 91 5. 91 5. 95 6. 29 6. 81 6. 09 6. 33 6. 62 6. 95 0. 35 0. 29 0. 29 0. 30 0. 31 0. 34 0. 30 0. 31 0. 33 0. 34 0. 42 0. 35 0. 34 0. 32 0. 33 0. 34 0. 29 0. 28 0. 28 0. 28

基于模拟退火算法BP神经网络训练方法优化

基于模拟退火算法BP神经网络训练方法优化摘要：神经网络的训练方法对于模型的性能至关重要。

本文针对基于模拟退火算法的BP神经网络训练方法进行优化，采用了多个改进措施来提高模型的训练效果。

首先，对BP神经网络的参数进行优化，包括学习率、动量因子和迭代次数等。

其次，我们引入了模拟退火算法来调整神经网络的权重和阈值，进一步提高模型的性能。

实验结果表明，我们提出的优化方法相对于传统的BP神经网络训练方法在模型收敛速度和误差率上都取得了较好的改善。

1. 引言神经网络是一种常用的机器学习算法，广泛应用于模式识别、数据挖掘和人工智能等领域。

BP（Back Propagation）神经网络是一种常见的神经网络结构，其能力往往由网络中的权重和阈值决定。

然而，传统的BP神经网络训练方法往往容易陷入局部最优解，导致模型收敛速度较慢和误差率较高。

因此，改进BP神经网络训练方法是提高模型性能的关键。

2. BP神经网络的基本原理BP神经网络是一种前向和反向传播的神经网络结构。

前向传播过程中，输入信号经过各个神经元的加权和并经过激活函数的作用，最终得到输出信号。

而反向传播过程中，根据损失函数和梯度下降法，调整网络中的权重和阈值，逐渐降低误差。

3. 传统的BP神经网络训练方法存在的问题传统的BP神经网络训练方法存在一些问题，主要包括局部最优解、训练速度较慢和误差率较高等。

由于随机初始化权重和阈值，BP神经网络容易陷入局部最优解，导致模型性能不够理想。

此外，训练速度较慢也是一个普遍存在的问题，尤其是对于较大规模的神经网络和复杂的数据集。

误差率较高也是影响模型性能的一个因素，特别是对于一些要求较高精度的任务。

4. 基于模拟退火算法的优化方法为了克服上述问题，我们提出了一种基于模拟退火算法的优化方法来改进BP神经网络的训练方法。

该方法主要包括以下几点改进。

4.1 参数优化在传统的BP神经网络中，学习率和动量因子是影响模型训练效果的重要参数。

BP神经网络非线性回归研究

BP神经网络非线性回归研究
一、简介
BP神经网络是一种利用反向传播（Back-Propagation）算法构建的多层人工神经网络模型，它结合了神经网络学习的基本原理，将复杂的思考过程简化，并实现了从大量数据中自动提取特征，预测结果的计算。

BP 神经网络也广泛应用于非线性回归分析，在许多学习、预测任务中取得了良好的效果。

二、原理
BP神经网络的基本原理是根据输入和输出信号的差别来更新神经元之间的连接权值，以期达到最优的输出结果，简单来说就是利用反向传播法调整神经网络的权值，以便达到期望的结果。

具体地，BP神经网络的学习过程分为前馈和反向两个阶段，其中前馈阶段从输入层网络向输出层传递信号，反向阶段则根据输出层的结果实时调整每一层的连接权值，以使输出结果逐渐收敛到期望值。

三、应用
BP神经网络在实际应用中可以用来模拟非线性回归分析。

非线性回归分析是指根据输入和输出变量之间非线性关系建立的复杂回归模型，它可以用于建立多元函数，以提取多个层次的变量关系，计算非线性回归的参数，研究输入变量与输出变量之间的关系。

基于场景的非均匀性校正算法研究

---------------------------------------------------------------范文最新推荐------------------------------------------------------ 基于场景的非均匀性校正算法研究摘要红外焦平面阵列是现代红外系统和热成像系统的关键部件，其探测器成本低廉，体积小，无需制冷，具有广泛的应用前景，特别是它在军事上具有重要的战略战术地位和作用。

然而由于红外器件、光学系统、外界温度变化等诸多因素的影响，使红外焦平面的非均匀性问题一直是制约其应用的根本问题。

目前广泛使用的基于定标的非均匀性校正算法需要进行周期性的定标，从而增加了系统的复杂性。

近些年提出的基于场景的非均匀性校正算法不需要红外参照源，直接从实际场景提取校正参数，实现系统简洁，具有自适应校正的优点。

主要对基于场景的加权均值滤波、时域高通滤波和神经网络校正算法进行了研究并提出了后两种算法的改进方案。

12647关键词非均匀性校正加权均值滤波时域高通滤波神经网络校正算法1 / 9毕业设计说明书（论文）外文摘要TitleScene-based nonuniformity correction algorithm AbstractInfrared focal plane array is a key component of modern infrared systems and thermal imaging systems, and its detector cost, small size, no refrigeration, has a wide range of applications, in particular, it has important strategic and tactical position and role of the military. However, due to infrared devices, optical system, outside temperature changes, and many other factors, the non-uniformity of the infrared focal plane has been the fundamental problem of restricting its application. Widely used based on the calibration of non-uniformity correction algorithm requires periodic calibration, thereby increasing the complexity of the system. In recent years, scene-based nonuniformity correction algorithm does not require infrared reference source, the direct calibration parameters extracted from the actual scenes, simple system, with the advantages of Adaptive Correction. The thesis of the scenario-based---------------------------------------------------------------范文最新推荐------------------------------------------------------weighted mean filter, time domain high-pass filtering and neural networks correction algorithms were studied and the improvement of the latter two algorithms.目前，凝视型红外焦平面阵列（IRFPA）器件构成的成像系统在军事（红外跟踪、预警、制导）、医疗、安全等方面得到了日益广泛的应用, 用它构成的红外成像系统较传统的光机扫描红外成像系统具有结构简单、工作稳定、灵敏度高、噪声等效温差（NETD）小等优点。

基于BP神经网络和RBF网络的非线性函数逼近问题比较研究

基于BP神经网络和RBF网络的非线性函数逼近问题比较研究丁德凯摘要：人脑是一个高度复杂的、非线性的和并行的计算机器，人脑可以组织神经系统结构和功能的基本单位，即神经元，以比今天已有的最快的计算机还要快很多倍的速度进行特定的计算，例如模式识别、发动机控制、感知等。

神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习，以及很强的非线性映射能力，所以它在函数（特别是非线性函数）逼近方面得到了广泛的应用。

BP神经网络和RBF神经网络，都是非线性多层前向网络，本文分别用BP（Back Propagation）网络和RBF（Radial Basis Function）网络对非线性函数f=sin(t)+cos(t)进行逼近，结果发现后者的学习速度更快，泛化能力更强，而前者的程序设计相对比较简单。

关键词：BP神经网络，RBF神经网络，函数逼近0 引言人工神经网络（Artificial Neural Networks，ANN）[1]是模仿生物神经网络功能的一种经验模型。

生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的，且对输入信号有功能强大的反应和处理能力。

神经网络是由大量的处理单元（神经元）互相连接而成的网络。

为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。

但是，实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行了某种抽象、简化和模拟。

神经网络的信息处理通过神经元的互相作用来实现，知识与信息的存储表现为网络元件互相分布式的物理联系。

神经网络的学习和识别取决于各种神经元连接权系数的动态演化过程。

神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。

当前，它在许多领域有重要的作用。

例如，模式识别和图像处理；印刷体和手写字符识别、语音识别、签字识别、指纹识别、人体病理分析、目标检测与识别、图像压缩和图像复制等。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

来说，非均匀性校正技术是最为关键的红外信号处理技术之一。在尽量降低器件非均匀性的条
件下，利用信号处理技术对红外图像进行非均
匀性校正是一种行之有效的方法。
工艺水平的限制，每个光敏元的响应率不可能完伞一致，导致输出信号幅度不能完全一样（被
非均匀性自适应专炙正算法。首先，利用归一化思想对图像进行处理以利于选取迭代步
长；其次，优化隐含层结构以获得更接近于真实信号的期望信号。实验结果表明，该方
法在校正精灾、收敛速度和稳定性方面均优于传统的神经网络校正算法。
称为红外焦平面阵列的非均匀性）。这种非均匀
基于场景的非均匀性校正算法是目前人们研究的热点，其主要思想是通过对大量的图像序列进行统计和分析，从中提取出最接近真实
情况的红外图像。目前主要有恒定统计、人工神
ｔａｔｏｎａｒｄｉｉｌｎｅｕｒｔａｌｎｅｗｏｒｏｒｃｉｇｏｉｈｍｎｃｒｃｉｎｅｓｏｎ，ｃｖｅｇｋｃｒｅｔｏｎａｌｒｔｉｏｒｅｔｏｐｒｃｉｉｏｎｒｅｎｃａｅａｅｒｔｎｄｔｂｉｉｙｓａｌｔＫｅｙｏｒｗｄｓ：ｉｒｅｍａｇｉｎｆａｒｄｉｎｇ；ｉｒｒｄｏｃａｒａｎｆａｅｆａｌｐｌｎｅａｒｙ；ｎｅａｔｏｒｕｒｌｎｅｗｋ
ＣＨＥａｇＸＩＮＱｉｎ，ＯＮ６Ｊａ，ｏＡＳＣＢｉｎ１０５，ｉａＴｅＳｃｎａｅｆＣＩ，ｅｉｇ０８４ＣｈｎＪｊ
Ａｂｓｒｔａｃｔ：Ａｎｏｎｕｎｉｏｍｉｙｃｒｅｃｉｎａｌｒｔ — ｆｒｔｏｒｔｏｇｏｉｈｍｂａｓｄｅｏｎｎｅａｌｕｒｎｅｗｏｒｆｒｎｆａｒｆｃｌａｎｅｔｋｏｉｒｅｄｏａｐｌ
关键词：红外成像；红外焦平面阵列；神经网络
中图分类号：０３．４４文献标识码：Ａ３
ＤＯ：１．６／ｉｎ１７—７５０２４０Ｉ０９９ｊｓ．２８８．１．．４３．ｓ６２００
ＡｎＡｄａｉｅＭｅｈａｅｐｔｖｔｏｄＢｓｄｏｎＢＰｅａｅｗｏｋＮｕｒｌＮｔｒｆｒＮｏｕｎｉｏｍｉｙｏｒｃｉｎｏｎ— ｆｒｔＣｒｅｔｏｎｉＩｒｒｄＦａａｒａｎｆａｅｏｃｌＰｌｎｅＡｒｙｓ
ａｒｙ（ＰｒａｓＩＲＦＡ）ｉｐｏｏｅ．Ｆｒｔ，ｏｍａｉｅｄａｉｕｅｏｐｏｅｓａｍａｅＳｓｔｈｏｅａｓｒｐｓｄｉｌａｎｒｌｄｉｅｓｄｔｒｃｓｎｉｇＯａｏｃｏｓｓｙｚｓ
ｐｏｅｎｅａｔｖｔｐ．Ｔｈｎｔｅｓｒｃｕｅｏｈｄｅａｅｓｏｔｍｉｅｏｏｔｉｈｅｉｅｉｎａｒｐｒｉｔｒｃｉｅｓｅｅ，ｈｔｕｔｒｆｅｈｉｄｎｌｙｒｉｐｉｚｄｔｂａｎｔｅｄｓｒｄｓｇｌｔｍｏｅｃｏｅｔｈｅｌｉｎ１ｒｌｓｏｔｅｒａｇａ．ＴｈｘｅｉｅｔｌｒｓｌｈｗｓｔａｈｒｐｏｅｅｈＳｂｅｔｒｔｎｔｅｓｅｅｐｒｍｎａｅｕｔｓｏｈｔｔｅｐｏｓｄｍｔｏｄｉｔｅｈａｈ
陈强熊健曹伟
（国航天科工集团第二研究院，北京１０５）中０８４
摘要：提出了一种基于神经网络的红外焦平面阵列（ｆｒｄＦｃｌｌｎｒａ．ＲＰＩｒｅｏａＰａｅＡｒ＿ＩＦＡ）ｎａｙ
性将会导致系统的温度分辨率下降和目标图像
质量下降，限制ｒ红外焦平面阵列在高灵敏度
２０
文章编号：１７—７５２１）４０００６２８（ｏ２ｏ— ２－６８０
蠢ｌ。ｌｌｌ蕾蠹羹＿纛譬ｌ＿级。熟≯：ｌｌ＿ｌｌｌｌ｜ｌｌ
０２－２１４
基于ＢＰ神经网络的ＩＰ改进型ＲＦＡ非均匀性校正算法
．
０引百
在理想状况下，红外焦平面阵列接收均匀辐射后输出的信号幅度应该完全相同。但由于受材料缺陷、温条件下电路的稳定陛以及集成低
俭测方面的应用。对于高质量的红外成像系统