基于复值卷积神经网络的手势雷达图像分类

手势识别系统在过去十年中取得了许多令人兴奋的进展，并在人机交互（HCI）中变得越来越流行，其应用领域从安全防护到汽车领域不等。多种深度神经网络架构已被用于手势识别系统的研究，包括多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）以及由后两者级联而成的CNN-RNN架构。然而，一个主要问题仍然存在，即大多数现有的机器学习算法是为实值（RV）数据设计和开发其构建模块及技术的。研究人员将各种实值技术应用于复值（CV）雷达图像，例如通过将复数分解为实部和虚部，将复值优化问题转化为实值问题。然而，这种方法的主要缺点是会导致算法维度翻倍。近期关于RNN及其他基础理论分析的研究表明，复值具有更丰富的表示能力，但由于缺乏设计此类模型所需的构建模块，复值网络的性能受到了限制。在本文中，我们提出了一个完全复值的CV-CNN，包括所有构建模块、前向和反向运算以及导数，全部在复数域中实现。我们将所提出的分类模型与等效的实值模型在两个复值手势雷达图像数据集上进行了比较。在第五章中，我们提出了一个复值前向残差网络，用于对两个复值手势雷达数据集进行二分类，并将其性能与我们提出的CV-CNN以及基线CV-CNN进行了比较。