以到達(dá)角為依據(jù)的目標(biāo)定位的實驗仿真分析案例目錄TOC\o"1-3"\h\u18569以到達(dá)角為依據(jù)的目標(biāo)定位的實驗仿真分析案例 116351.1通用實驗參數(shù)設(shè)置 1295051.2不同網(wǎng)絡(luò)模型的對比實驗 115581.3改變樣本輸入方式對網(wǎng)絡(luò)模型的影響 269741.4不同算法的對比實驗 394721.5改變樣本尺寸對目標(biāo)定位性能影響 5218791.6噪聲水平和泛化能力性能對比實驗 578191.7改變樣本數(shù)量對實驗結(jié)果的影響 61.1通用實驗參數(shù)設(shè)置在二維平面分布平面1×1內(nèi)隨機(jī)自動生成六個參照點，一個所求目標(biāo)點，在參照點和所求目標(biāo)點之間的測向作用角里增添零平均數(shù)值，方差為σ2，高斯噪音εi。經(jīng)過試驗樣品自動生成算法Gx自動生成數(shù)據(jù)信息集，默認(rèn)自動生成數(shù)據(jù)信息集試驗樣品1萬張，把數(shù)據(jù)信息根據(jù)9：1劃分為鍛煉集、論證集。試驗樣品自動生成的尺度大小H×W，自動生成2k張調(diào)試集試驗樣品應(yīng)用在論證不相同目標(biāo)精確定位算法的作用功能。試驗樣品的圖片分布空間有效尺寸大小默認(rèn)為128×128。實驗?zāi)Ｐ偷膶W(xué)習(xí)比例設(shè)立為1e-21.2不同網(wǎng)絡(luò)模型的對比實驗第一步把探究在單目標(biāo)精確定位工作任務(wù)里L(fēng)ocNet實驗?zāi)Ｐ秃碗娔X計算機(jī)視覺感官里普遍常用神經(jīng)分布網(wǎng)絡(luò)系統(tǒng)實驗?zāi)Ｐ蚔GG16[31]、ResNet50[32]、DenseNet121[33]、MobileNet[47]之間的作用功能不同。把試驗樣品自動生成算法根據(jù)模式C自動生成鍛煉試驗樣品。噪音水平=0.010，試驗樣品的數(shù)目都是1w張應(yīng)用在實驗?zāi)Ｐ湾憻挘詣由赏唤M測試集，調(diào)試集數(shù)目為2k張。統(tǒng)計分析它們在調(diào)試集上的作用功能標(biāo)準(zhǔn)，在這其中，硬件設(shè)施應(yīng)用平臺是NvidiaTeslaK40c12G的顯卡。推導(dǎo)思考具體時間是指每一個算法在測試集上總的推導(dǎo)思考具體時間。如下表3.1所示。表3.1VGG16ResNet50DenseNet121MobileNetLocNet模型參數(shù)(M)14.8622.7127.0763.3141.490RMSE0.04110.2910.1660.1020.0414推理時間(s)5.8347.52412.1183.2925.510如下表3.1所示，神經(jīng)分布網(wǎng)絡(luò)系統(tǒng)實驗?zāi)Ｐ偷淖饔霉δ懿粫殡S著網(wǎng)絡(luò)實驗?zāi)Ｐ徒M成結(jié)構(gòu)龐雜而提高，應(yīng)當(dāng)和工作任務(wù)緊密聯(lián)系的，在單目標(biāo)精確定位工作任務(wù)里，自動生成的試驗樣品圖片為單信號通道的實際有效灰度圖。和自然場合下的圖片對比，其攜帶龐雜的圖像紋理數(shù)據(jù)信息比較少。運用ResNet50t等龐雜的網(wǎng)絡(luò)組成結(jié)構(gòu)在單目標(biāo)精確定位工作任務(wù)中性能反到比不上VGG16這類組成結(jié)構(gòu)簡易的網(wǎng)絡(luò)。之后VGG16網(wǎng)絡(luò)的實驗?zāi)Ｐ拖禂?shù)比較多，促使網(wǎng)絡(luò)實驗?zāi)Ｐ屯茖?dǎo)思考速率慢。而在本文中，我們指出的LocNet具備高的精確定位作用功能與小的網(wǎng)絡(luò)實驗?zāi)Ｐ拖禂?shù)。在本章里主要內(nèi)容是計算求解域的交換，所以把探討不相同試驗樣品自動生成算法的模式針對工作任務(wù)精確定位作用功能的影響作用。1.3改變樣本輸入方式對網(wǎng)絡(luò)模型的影響在本節(jié)測試實驗里，我們探究的是不相同試驗樣品的自動輸入方式針對目標(biāo)精確定位作用功能的影響作用。分布卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)實驗?zāi)Ｐ瓦\用LocNet實驗?zāi)Ｐ?。把試驗樣品根?jù)模式A、B與C三類方式自動生成鍛煉試驗樣品。各種試驗樣品的數(shù)目都是1w張應(yīng)用在實驗?zāi)Ｐ湾憻挘詣由赏唤M調(diào)試數(shù)據(jù)信息集，調(diào)試集數(shù)目為2k張。統(tǒng)計分析分布卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)實驗?zāi)Ｐ蚅ocNet在三類試驗樣品自動輸入模式在調(diào)試集上的作用功能最終結(jié)果圖，如圖3.3所示。統(tǒng)計分析試驗樣品的自動輸入模式自動生成的有效時間，如下表3.2所示。圖3.3LocNet網(wǎng)絡(luò)實驗?zāi)Ｐ驮诓幌嗤囼灅悠份斎肽Ｊ较戮_定位作用功能表3.2不相同試驗樣品的自動輸入模式自動生成時間的統(tǒng)計分析表方式A方式B方式C生成的樣本的時間（ms）0.1013.8689.074在圖3.3里，X橫坐標(biāo)軸示噪音水平σ，Y縱坐標(biāo)軸表示調(diào)試集的精確定位作用功能標(biāo)準(zhǔn)RMSE。LocNet實驗?zāi)Ｐ驮谝栽囼灅悠纺Ｊ紸、B與C自動生成的調(diào)試集試驗樣品的作用功能最終結(jié)果，依次用分布曲線A、B與C表示。圖3.3說明在調(diào)試全面集中，伴隨著噪音水平的增長，LocNet_B的精確定位作用功能比LocNet_A有顯著的提高，而LocNet_C的精確定位作用功能比LocNet_B逐漸的提高。從下表3.2里能夠得知，三類不相同試驗樣品自動生成的模式所用具體時間都在毫秒等級，因此可以被不考慮。測試實驗最終結(jié)果說明：在測向作用角引進(jìn)高斯分布這類有效誤差之后，實驗?zāi)Ｐ偷木_定位作用功能存在明顯提高。以乘性混合高斯噪音分布(模式C)自動生成的試驗樣品比加性混合高斯噪音分布(模式B)自動生成的試驗樣品作用功能更加良好。這個測試實驗逐漸的說明，不相同試驗樣品的自動輸入方式，針對單目標(biāo)精確定位作用功能存在非常顯著的影響作用。所以在之后的測試實驗里，我們把試驗樣品自動生成算法默認(rèn)選擇模式C來自動生成數(shù)據(jù)信息集。1.4不同算法的對比實驗在本小節(jié)測試實驗里，在地區(qū)內(nèi)隨機(jī)自動生成六個參照點與一個所求目標(biāo)點，測向作用角里增添高斯噪音分布，在這其中，噪音水平σ∈0.02，0.20，步長為0.02。試驗樣品依次以模式A、B與C自動生成數(shù)據(jù)信息集。在每一個噪音水平下自動生成調(diào)試集試驗樣品2k張，在這其中，CRLB算法是在每一個噪音水平下依次統(tǒng)計分析地區(qū)內(nèi)1w張試驗樣品。統(tǒng)計分析最小二乘法[4](LS)、根據(jù)加權(quán)最小二乘法[7](WLS)、根據(jù)交叉分布點聚類的算法[8](Cluster)、根據(jù)凸包的到達(dá)角精確定位[9](CCAL)、克拉美羅下界[10]在圖3.4里，經(jīng)過不相同算法的對照測試實驗?zāi)軌虻弥?，在調(diào)試集上，伴隨著噪音水平σ的增長，根據(jù)LS的精確定位算法優(yōu)先于CCAL算法，能夠得知CCAL的泛化作用功能比較差。分布曲線LocNet_A、LocNet_B與LocNet_C依次表示LocNet實驗?zāi)Ｐ驮谠囼灅悠?，是以模式A、B與C自動生成的調(diào)試集試驗樣品的作用功能最終結(jié)果。和WLS、Cluster、CCAL與LS分布曲線對比，LocNet_A更可以靠近CRLB分布曲線。當(dāng)在試驗樣品自動生成算法里引進(jìn)高斯噪音分布的先驗數(shù)據(jù)信息之后，伴隨著噪音水平的提升，LocNet_B與LocNet_C的作用功能超過了CRLB分布曲線。模式A、B作為自動輸入與其他算法的作用功能分布曲線對比，LocNet_C性可以在調(diào)試全面集中是最理想的。圖3.4測試實驗最終結(jié)果說明：使用分布卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)實驗?zāi)Ｐ蛯文繕?biāo)精確定位工作任務(wù)建立模型是能夠高效提高單目標(biāo)精確定位的作用功能。經(jīng)過在試驗樣品圖片分布空間里引進(jìn)高斯噪音分布的先驗數(shù)據(jù)信息，使用分布卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立模型，其單目標(biāo)精確定位作用功能超過舊有傳統(tǒng)類型的根據(jù)最小二乘法的CRLB下界，根本原因是分布卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)在學(xué)習(xí)的發(fā)展過程里，數(shù)據(jù)信息實踐經(jīng)驗累計供應(yīng)了這類組成部分?jǐn)?shù)據(jù)信息。1.5改變樣本尺寸對目標(biāo)定位性能影響在本小節(jié)里，把探究試驗樣品有效尺寸針對算法精確定位作用功能的影響作用。相同的，在噪音水平σ=0.10的時候，961281561881w2k張應(yīng)用在實驗?zāi)Ｐ驼撟C。統(tǒng)計分析試驗樣品尺度大小和實驗?zāi)Ｐ偷木_圖3.5LocNet_C3.5LocNet_C網(wǎng)絡(luò)實驗?zāi)Ｐ偷淖饔霉δ苡绊懟竞愣?，產(chǎn)生LocNet_C網(wǎng)絡(luò)實驗?zāi)Ｐ屯ǔ６际轻槍υ囼灅悠烦叨却笮?28×128來綜合系統(tǒng)設(shè)計來展開建立模型。1.6噪聲水平和泛化能力性能對比實驗在本小節(jié)里，把探究LocNet算法對噪音的泛化水平。相同的，在噪音水平σ=0.01~0.10，時1w張應(yīng)用在實驗?zāi)Ｐ蛯W(xué)習(xí)。在新噪音水平σ=0.05~圖3.6圖3.7在圖3.6里，在未鍛煉的調(diào)試全面集中，伴隨著新噪音水平的提升，LocNet_C實驗?zāi)Ｐ途_定位作用功能的有效誤差仍然維持非常低，優(yōu)先于Cluster[8]算法的作用功能。測試實驗最終結(jié)果說明LocNet_C實驗?zāi)Ｐ途邆鋬?yōu)良的泛化水平。在圖3.7里，LocNet_C實驗?zāi)Ｐ驮谖村憻挼恼{(diào)試數(shù)據(jù)信息集上的作用功能表現(xiàn)依然超越CRLB[10]分布曲線。測試實驗最終結(jié)果說明，LocNet_C實驗?zāi)Ｐ途邆鋬?yōu)良的泛化水平。1.7改變樣本數(shù)量對實驗結(jié)果的影響在本節(jié)里，把探究試驗樣品數(shù)目針對算法精確定位作用功能的影響作用。相同的，在噪音