基于物理启发机器学习的属性散射中心提取方法

基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。

实用的基于知识的强人工智能的构建方法

所谓的弱人工智能体现的是一种相关性的智能。首先相关性也包括了人类已有思想的抽象性的模拟,其次这种相关性是比人类个体认识的相关性更加广泛的相关性,但是也仅此而已。那么如何学习人类的抽象性以表达智能呢?就是学习人类的抽象性思维的方法,而不单单是结果。完成了对人类相关性思维的学习及对人类的抽象性思维的学习,就相当于完成了对人类思维的学习,这时的机器智能的表达是完整的,也就是所谓的强人工智能的出现。而所谓的学习人的思维,其实无非学习人的知识。