Apprendimento profondo per il riconoscimento automatico di bersagli a radiofrequenza

Punteggio:   (5,0 su 5)

Apprendimento profondo per il riconoscimento automatico di bersagli a radiofrequenza (K. Majumder Uttam)

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Deep Learning for Radio Frequency Automatic Target Recognition

Contenuto del libro:

“Questa interessante risorsa identifica le sfide tecniche, i vantaggi e le direzioni della classificazione degli oggetti basata sul Deep Learning (DL) utilizzando dati radar (ad esempio, radar ad apertura sintetica / SAR e radar ad alta risoluzione / HRR).

Viene fornita una panoramica della teoria dell'apprendimento automatico (ML) che include una storia, un'introduzione di base, un esempio e le prestazioni di un algoritmo di ML (cioè il metodo DL) su immagini video. Vengono inoltre discussi i dati radar con problemi di raccolta, applicazione ed esempi di analisi dei dati SAR/HRR e dei segnali di comunicazione.

Vengono presentate considerazioni pratiche sull'impiego di tali tecniche, tra cui la valutazione delle prestazioni, i problemi hardware e le future questioni irrisolte."--Amazon.com.

Altre informazioni sul libro:

ISBN:9781630816377
Autore:
Editore:
Rilegatura:Copertina rigida
Anno di pubblicazione:2020
Numero di pagine:290

Acquisto:

Attualmente disponibile, in magazzino.

Lo compro!

Altri libri dell'autore:

Apprendimento profondo per il riconoscimento automatico di bersagli a radiofrequenza - Deep Learning...
“Questa interessante risorsa identifica le sfide...
Apprendimento profondo per il riconoscimento automatico di bersagli a radiofrequenza - Deep Learning for Radio Frequency Automatic Target Recognition

Le opere dell'autore sono state pubblicate dai seguenti editori:

© Book1 Group - tutti i diritti riservati.
Il contenuto di questo sito non può essere copiato o utilizzato, né in parte né per intero, senza il permesso scritto del proprietario.
Ultima modifica: 2024.11.08 20:28 (GMT)