CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2017/7186120gydF4y2Ba 7186120gydF4y2Ba 研究文章gydF4y2Ba 合成孔径雷达图像自动目标识别战略基于歧视树相结合gydF4y2Ba http://orcid.org/0000 - 0001 - 5369 - 1595gydF4y2Ba 赵gydF4y2Ba 晓惠gydF4y2Ba 1gydF4y2Ba 江gydF4y2Ba 翼城县gydF4y2Ba 1gydF4y2Ba StathakigydF4y2Ba 塔尼亚gydF4y2Ba 2gydF4y2Ba MasciarigydF4y2Ba 埃利奥•gydF4y2Ba 1gydF4y2Ba 电子工程技术研究所gydF4y2Ba 哈尔滨工业大学gydF4y2Ba 哈尔滨gydF4y2Ba 黑龙江gydF4y2Ba 中国gydF4y2Ba hit.edu.cngydF4y2Ba 2gydF4y2Ba 电气和电子工程gydF4y2Ba 帝国理工学院gydF4y2Ba 伦敦gydF4y2Ba 英国gydF4y2Ba imperial.ac.ukgydF4y2Ba 2017年gydF4y2Ba 29日gydF4y2Ba 11gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 13gydF4y2Ba 03gydF4y2Ba 2017年gydF4y2Ba 21gydF4y2Ba 09年gydF4y2Ba 2017年gydF4y2Ba 08年gydF4y2Ba 10gydF4y2Ba 2017年gydF4y2Ba 29日gydF4y2Ba 11gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 版权©2017晓惠赵et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

实现高精度的策略介绍了合成孔径雷达(SAR)自动目标识别(ATR)的任务。最初,小说构成顺序介绍了精馏过程和图像正常化过程产生更少的图像变化特性前处理阶段。特性集,有丰富的纹理和边缘信息提取的小波系数,利用更有效的和紧凑的特性集获得通过减少冗余和提取的特性集的维数。最后,一群歧视树是学习和组合成一个最终的分类器在Real-AdaBoost的框架。该方法评估与公众发布数据库移动和静止目标获取与识别(MSTAR)。几个比较研究进行评估算法的有效性。实验结果表明该方法的独特优势在两个标准操作条件下(soc)和扩展操作条件(而是EOCs)。此外,我们的额外的测试表明,良好的识别精度可以达到甚至有限数量的训练图像捕获只要这些目标提出了适当增量样本的一步。gydF4y2Ba

 欧盟H2020忒耳西科瑞gydF4y2Ba 691218年gydF4y2Ba 1。介绍gydF4y2Ba

合成孔径雷达(SAR)是一种有价值的技术,遥感和监视应用程序。SAR图像的自动目标识别(ATR)是一个最具挑战性的SAR的应用程序(gydF4y2Ba 1gydF4y2Ba]。一个典型的SAR ATR系统识别战术地面目标的利益,也就是说,坦克、榴弹炮、和装甲车,这对于识别是至关重要的朋友和敌人,精确打击的先决条件。gydF4y2Ba

SAR ATR涉及一系列的流程,如某种类型的预处理、特征提取、分类器构造,最后目标分类。预处理阶段可能涉及多种类型的处理,旨在促进图像判读和分析的效率,在随后的阶段,例如,通过抑制杂波反射模糊对比感兴趣的目标和杂乱。此外,SAR图像的大小、转移和旋转预定义的标准。所谓的调整通常是实现通过裁剪图像的一部分。移动和旋转的过程也被称为图像配准和提出整改,分别为(gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。gydF4y2Ba

特征提取是另一个重要阶段中提取有效的判别功能提高识别精度。一些特性已经被利用在SAR ATR (gydF4y2Ba 4gydF4y2Ba- - - - - -gydF4y2Ba 10gydF4y2Ba]。基于这样的考虑:战术地面目标通常有一个矩形形状不同的宽度和长度,通常用于SAR ATR几何特性。泽尼克时刻(zm评选)用于gydF4y2Ba 6gydF4y2Ba),利用线性变换的不变性特性和鲁棒性的噪音。在[gydF4y2Ba 7gydF4y2Ba),特征提取是基于pseudo-Zernike时刻(pZm),具有不变性等优点特性,独立财产,相比,大大降低了对噪声的敏感性zm评选。在[gydF4y2Ba 11gydF4y2Ba),由多个几何特性计算目标形状blob顺时针旋转的轴投影与某些增量的中心目标。然后,学特性集的冗余消除通过保持的协方差矩阵的秩的特性集一样整个数据集。然而,感兴趣的目标的几何特性SAR图像难以精确衡量由于杂乱背景和姿势和抑郁的角度的变化。因此,识别精度是没有保证的。极地映射方法,该方法经常用于ISAR图像的分类、修改和使用gydF4y2Ba 3gydF4y2Ba)解决SAR ATR的问题。原始图像被转换从原来的2 d空间域(范围和横向距离)在极坐标图像域(半径和角度)生产polar-mapped图像。polar-mapped图像相似的图像映射相同的目标,即使在不同的姿势。出于这个原因,常用的姿势估计不一定是polar-mapped所需图像。然而,极地映射方法的性能高度依赖于参考中心点坐标变换的决心,这不是一个简单的任务尤其对SAR图像捕获各种杂波环境下。gydF4y2Ba

某些特性不可行的直接应用于分类由于其高维度[gydF4y2Ba 12gydF4y2Ba- - - - - -gydF4y2Ba 19gydF4y2Ba]。在[gydF4y2Ba 12gydF4y2Ba),一个紧凑的表示特性,单基因信号,用于SAR ATR,高维的问题可通过统一将采样,正常化和单基因的连接组件。特征降维SAR ATR方法基于流形学习理论也是近年来研究[gydF4y2Ba 13gydF4y2Ba- - - - - -gydF4y2Ba 17gydF4y2Ba]。在[gydF4y2Ba 16gydF4y2Ba),每一个样本都有重量,叫做样本判别系数署与邻近样本的相似度,然后署是结合当地生产redundancy-reduced特性的判别嵌入LDE()方法。同样,在gydF4y2Ba 17gydF4y2Ba),所谓的邻里几何中心扩展嵌入(NGCSE)方法,提出了在几何中心扩展引入社区,这样明显的集群提供的样品的方向。然而,大多数的非线性降维方法的性能在很大程度上依赖于参数的选择邻居,这仍然是一个开放的问题。gydF4y2Ba

近邻分类器是一种最常用的分类器,提取的特征在哪里直接送入分类器来实现分类结果(gydF4y2Ba 16gydF4y2Ba]。基于稀疏表示的分类(SRC)最近在SAR ATR,开发和利用测试样本的特征向量作为稀疏编码的训练样本的特征向量的线性组合,和目标的最小剩余能量是公认的gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba]。如支持向量机(SVM)方法,神经网络(NN)和自适应增强(演)都大大利用SAR ATR (gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba- - - - - -gydF4y2Ba 23gydF4y2Ba]。各种选择的基础的学习者可以结合学习演算法来解决SAR ATR的问题(gydF4y2Ba 2gydF4y2Ba]。休斯解释的现象(也称为维度的诅咒),构建分类器模型的困难更加突出特别是特性集高维度而训练数据的数量是有限的(一个事实在SAR ATR)。然而,演算法和图形的组合模型经验证明(gydF4y2Ba 24gydF4y2Ba)具备良好的性能,即使在训练数据是有限的。gydF4y2Ba

SAR图像的模糊,目标外观变化,可用少量的训练样本。这些问题必须妥善解决为ATR任务实现良好的识别结果。为此,介绍了SAR ATR方案如图gydF4y2Ba 1gydF4y2Ba。首先,初始处理阶段是应用于促进在后续阶段中特征提取的效率。更具体地说,旨在减少的影响SAR图像变化引起的变分和目标回波能量构成,一个图像能量归一化过程和构成整流过程按顺序应用。建设有效的特性集ATR任务至关重要实现可靠的识别结果。因此,建议相结合提取丰富的功能集,是由各种类型的歧视的特性,然后构造一个更紧凑的特性集通过消除冗余的丰富功能集,我们决定采用小波的特性。丰富的功能集是首先由结合分解小波子带特征,例如,LL子带系数的低频信息和高频信息LH和HL子带系数,HH子在哪里无关,因为它是不稳定的特性在SAR图像(gydF4y2Ba 25gydF4y2Ba]。相关系数描述纹理特征的组合,水平和垂直边缘特征。在这之后,一个紧凑的低维功能集组成特性保留大部分的方差构造采用主成分分析(PCA)技术(gydF4y2Ba 26gydF4y2Ba]。之间的关系特性统计学会了歧视的方式,而不是生成的方式。具体地说,而不是使用真正的分布,通常大部分时间未知,实证估计被最大化歧视的方式学习gydF4y2Ba JgydF4y2Ba 散度。因此,尽管学习模型与真实模型一致性较低的目标类由于有限的训练数据,高歧视能力仍然可以实现。然后,最终的分类器是由几个歧视基于树分类器结合Real-AdaBoost框架(gydF4y2Ba 27gydF4y2Ba]。评价该方法的性能,运动和静止目标获取与识别(MSTAR)公开发布的数据集。实验结果表明,该方法优于几种广为引用方法标准操作条件下(soc)和扩展操作条件(而是EOCs)。gydF4y2Ba

SAR ATR方案。gydF4y2Ba

减少变异技术,促进节中介绍了特征提取的效率gydF4y2Ba 2gydF4y2Ba。介绍了特征提取和处理技术gydF4y2Ba 3gydF4y2Ba。识别方案中详细说明部分gydF4y2Ba 4gydF4y2Ba。实验结果利用MSTAR公共数据库部分所示gydF4y2Ba 5gydF4y2Ba,其次是我们的结论部分gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。减少变异技术gydF4y2Ba 2.1。图像的能量归一化gydF4y2Ba

SAR的回波强度是强烈的影响,例如,范围之间的距离成像目标及其相应的雷达和其他几个原因;因此图像像素在不同图像的平均振幅芯片可能不同甚至同一个目标(gydF4y2Ba 28gydF4y2Ba]。减轻振幅变化的潜在影响后续的特征提取,图像能量归一化过程需要应用。让gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba NgydF4y2Ba 表示的像素数量范围和横向距离维度对于一个给定的SAR图像芯片。SAR图像芯片可以表示为gydF4y2Ba XgydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba ,在那里gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 分别的尺寸范围和横向距离。能量归一化图像像素gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 可以被描述为gydF4y2Ba (1)gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ′gydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 和gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ′gydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 是在所有像素的最小和最大价值gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 分别为,gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba (gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 是计算gydF4y2Ba (2)gydF4y2Ba XgydF4y2Ba ′gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba XgydF4y2Ba 2gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba 采用图像能量归一化过程的好处是提供了部分gydF4y2Ba 5。1gydF4y2Ba。gydF4y2Ba

 2.2。提出整改gydF4y2Ba

构成整流有利于提高SAR ATR的准确性,可以通过旋转给图像带来的利益的目标。然而,目标部分叛逃轮廓形状所造成的阴影效果可能遭受贫穷的姿势估计精度。本节介绍了姿态估计方法,该方法是基于勘探目标的几何信息实现更高的估计精度。gydF4y2Ba

提出了几种方法实现在姿态估计精度高。提出的方法在gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 30.gydF4y2Ba)是基于互信息最大化与多层感知器(MLP)。虽然较低的估计误差,这些方法计算昂贵,需要长时间的训练。的方法gydF4y2Ba 31日gydF4y2Ba)是基于二维连续小波变换(CWT),最大化的取向角的能源被认为是估计的姿势。然而,这种方法是基于假设图像中感兴趣的目标已经放在中心,这是很难实现的,尤其是对于SAR图像模糊的目标。gydF4y2Ba

事实上,战术地面目标显示矩形形状的边界,可以用于姿态估计。因此,方法分析的基础上提出了利益目标的几何信息。提出的方法在gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 32gydF4y2Ba)是基于发现封装盒感兴趣的目标,基本的假设是,估计盒子的边缘应该切矩形形状的目标边界。然而,这并非总是如此不完整的目标形状边界由于SAR图像的阴影效果。此外,基于最小二乘线性匹配方法估计的目标利益的中心线,在中心线的斜率是目标构成。然而,出于类似的原因,特别行政区的阴影效果可能产生叛逃的图像目标,从而影响相应的姿态估计结果。如前所述,基于封装盒的方法未能达到最优估计的结果由于缺陷目标SAR图像。然而,当将引入,基于变换的方法可以达到更好的估计效果在这样的场景gydF4y2Ba 33gydF4y2Ba]。因此,更好的估计精度可以通过使用这两种方法在一个设计良好的时尚。首先,感兴趣的目标从SAR图像分割,和最小周长的矩形分割目标被认为是最小边界矩形(MBR) (gydF4y2Ba 34gydF4y2Ba]。然后,感兴趣的目标的完整性可以被评估。对于SAR图像目标轮廓形状完整,MBR估计结果被认为是最终结果。否则,拉东变换进行及其估计作为最终结果。gydF4y2Ba

2.2.1。估计目标的完整轮廓的形状gydF4y2Ba

战术目标SAR图像中随机分布的姿势从gydF4y2Ba 0gydF4y2Ba ∘gydF4y2Ba 来gydF4y2Ba 36gydF4y2Ba 0gydF4y2Ba ∘gydF4y2Ba (目标构成被定义为目标的长边的夹角和水平轴)。战术目标SAR图像显示rectangular-like形状。图gydF4y2Ba 2gydF4y2Ba显示了分割SAR芯片,可以估计目标提出了MBR的倾角。介绍了(gydF4y2Ba 34gydF4y2Ba),最短的周边封闭的矩形凸多边形至少有一方共线的凸边。MBR可以有效地计算如下:gydF4y2Ba

步骤1gydF4y2Ba。估计目标的质心。gydF4y2Ba

步骤2gydF4y2Ba。计算出感兴趣的目标的凸多边形。gydF4y2Ba

步骤3gydF4y2Ba。计算和存储边缘凸多边形的方向。gydF4y2Ba

步骤4gydF4y2Ba。根据存储旋转一个边界矩形边缘方向,直到完成一个完整的旋转。gydF4y2Ba

步骤4.1gydF4y2Ba。找到一个矩形。gydF4y2Ba

步骤4.2gydF4y2Ba。存储安装矩形的周长。gydF4y2Ba

步骤4.3gydF4y2Ba。矩形旋转。gydF4y2Ba

步骤5gydF4y2Ba。返回相对应的矩形最小周长。gydF4y2Ba

说明目标的完整轮廓的形状。gydF4y2Ba

 2.2.2。估计目标的完整轮廓的形状gydF4y2Ba

由于SAR的成像原理,部分感兴趣的目标的一部分,不是由雷达波束辐射,因此成像目标显示不完整的边界形状。然而,长边的感兴趣的目标总是好的成像,如图gydF4y2Ba 3gydF4y2Ba。事实上,拉东变换(RT)可用于边缘检测。因此,对于SAR图像目标显示不完整的轮廓形状,基于RT的估计可以达到更高的精度。RT应用程序的目标图像gydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba )gydF4y2Ba 一组有限的角度可以认为是计算目标沿给定角度的投影。计算投影结果像素数字的总和在每一个方向,在哪里可以找到一条线在相应的目标图像的峰值投影的结果(gydF4y2Ba 33gydF4y2Ba]。定义gydF4y2Ba GgydF4y2Ba (gydF4y2Ba ρgydF4y2Ba ,gydF4y2Ba θgydF4y2Ba )gydF4y2Ba 的投影角gydF4y2Ba θgydF4y2Ba 与远方的gydF4y2Ba ρgydF4y2Ba 图像质心,RT实现如下:gydF4y2Ba (3)gydF4y2Ba GgydF4y2Ba ρgydF4y2Ba ,gydF4y2Ba θgydF4y2Ba =gydF4y2Ba ∫gydF4y2Ba - - - - - -gydF4y2Ba ∞gydF4y2Ba ∞gydF4y2Ba ∫gydF4y2Ba - - - - - -gydF4y2Ba ∞gydF4y2Ba ∞gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba δgydF4y2Ba ρgydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba 因为gydF4y2Ba ⁡gydF4y2Ba θgydF4y2Ba - - - - - -gydF4y2Ba ygydF4y2Ba 罪gydF4y2Ba ⁡gydF4y2Ba θgydF4y2Ba dgydF4y2Ba xgydF4y2Ba dgydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba δgydF4y2Ba ·gydF4y2Ba 狄拉克δ函数。的参数gydF4y2Ba ρgydF4y2Ba 和gydF4y2Ba θgydF4y2Ba 重复的投影方向,确定投影gydF4y2Ba θgydF4y2Ba ∈gydF4y2Ba (gydF4y2Ba 0gydF4y2Ba °gydF4y2Ba :gydF4y2Ba 18gydF4y2Ba 0gydF4y2Ba °gydF4y2Ba )gydF4y2Ba 。注意一个像素在RT变换分为四个亚像素,这样可以实现准确的预测结果,在计算投影贡献根据亚像素的投影的位置。gydF4y2Ba

插图叛逃的目标轮廓的形状。gydF4y2Ba

 2.2.3。程度的重叠的矩形gydF4y2Ba

事实上,对于任何给定的图像,在SAR图像目标的完整性可以自动计算。介绍了在节gydF4y2Ba 2.2.1gydF4y2Ba,计算MBR至少都有一个边缘重叠与目标边界。因此,在完成目标的情况下,一个长边的兴趣将重叠的目标与其对应的MBR。与局部缺陷的情况下一个目标,目标感兴趣的可能重叠的对角线的长边对应的MBR与几个像素。让gydF4y2Ba NgydF4y2Ba lgydF4y2Ba 表示数量的像素的两个MBR长边,和让gydF4y2Ba NgydF4y2Ba tgydF4y2Ba 表示目标像素的数量重叠两个MBR长边。在SAR图像目标的完整性可以评估如下:目标是首先扩张,然后计算矩形重叠的程度gydF4y2Ba NgydF4y2Ba tgydF4y2Ba /gydF4y2Ba NgydF4y2Ba lgydF4y2Ba ,最后目标边界的完整性评估根据计算程度的重叠的矩形。扩张后,因为完整的轮廓形状之间的差异和叛逃轮廓形状很大,该方法选择不敏感阈值用于评估重叠的程度。总的来说,如图gydF4y2Ba 4gydF4y2Ba目标姿态估计,使用基于MBR的方法或基于RT的方法根据评价结果的重叠的矩形度,和几个估计结果如图gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

插图的姿态估计方法。gydF4y2Ba

插图的姿势估计方法,红色矩形是MBR,绿线是氡变换的估计结果。注意,拉东变换时不使用重叠的矩形度符合指定的标准。gydF4y2Ba

 3所示。特征提取和加工技术gydF4y2Ba 3.1。丰富的功能集提取gydF4y2Ba

特征提取是至关重要的,整个ATR系统的整体性能。理想情况下更好的提取特性有歧视能力高的特点(或者,换句话说,高组内的变异)和高耐目标翻译。这些功能特征可以通过有效地使用小波分解技术。如图gydF4y2Ba 6gydF4y2Ba,纹理特征反映在你和水平和垂直边缘特征反映在LH和霍奇金淋巴瘤,分别。HH实际上是一个组合的特性反映在LH和霍奇金淋巴瘤。此外,翻译不变的特性可以被进一步分解顺序提取以前粗得多分辨率分解的图像。平移不变特征背后的想法是,每个分解过程扔掉某些特性的精确位置信息,存在于一个特定的区域。更具体地说,如图gydF4y2Ba 7gydF4y2Ba,新分解图像像素点隐式地反映了存在的某些特性(s)在相应的完整的原始图像的局部区域。gydF4y2Ba

说明所提出的特征提取和加工技术。gydF4y2Ba

单个像素点分解图像描绘的存在特性相应的整个原始图像的局部区域。gydF4y2Ba

提出了几种小波家庭母小波的形状和持续时间是它们之间的主要区别。消失的时刻(订单号)的数量作为小波平滑的迹象和小波滤波器的频率响应平坦。建议我们使用一个固定的母小波对整个识别方案。一个小波的进行比较测试gydF4y2Ba 5gydF4y2Ba),7母小波与变化数据进行比较,根据最小距离。确定最合适的母小波,在本文中,我们比较7母小波和更多的订单数量变化的最大优势准则(MMC) (gydF4y2Ba 35gydF4y2Ba]。具体来说,我们比较离散小波,小波双正交(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.3,3.5,3.7,3.9,4.4,5.5,和6.8),Coiflets(订单1、2、3、4、5),Haar小波,Daubechies小波(订单2、3、4、7、10、25日和45),反向双正交的小波(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.5,3.7,3.9,4.4,5.5,和6.8),和Symlets(订单2、4、8、16)。gydF4y2Ba

MMC发现母小波能最大化类之间的平均利润率。这是通过比较之间的差异在类平均距离和类间平均距离gydF4y2Ba dgydF4y2Ba wgydF4y2Ba - - - - - -gydF4y2Ba dgydF4y2Ba bgydF4y2Ba 。母小波,达到最大的区别是最好的选择。假设我们有gydF4y2Ba cgydF4y2Ba 类gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba cgydF4y2Ba ,每一个类gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 因此,样品gydF4y2Ba ngydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 在总样本。让gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba 表示gydF4y2Ba jgydF4y2Ba th的样本gydF4y2Ba 我gydF4y2Ba th类,让gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba 的重心gydF4y2Ba 我gydF4y2Ba th类,让gydF4y2Ba 米gydF4y2Ba 训练集的重心。在类平均距离gydF4y2Ba dgydF4y2Ba wgydF4y2Ba 和类间平均距离gydF4y2Ba dgydF4y2Ba bgydF4y2Ba 可以表示为gydF4y2Ba (4)gydF4y2Ba dgydF4y2Ba wgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 我gydF4y2Ba xgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba FgydF4y2Ba 2gydF4y2Ba dgydF4y2Ba bgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba cgydF4y2Ba ngydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

歧视提到小波的性能的比较见图gydF4y2Ba 8gydF4y2Ba。有人指出反向双正交的小波3.1实现最高的价值,这表明的观察意见,这使得它具有最高的歧视在这些小波的能力。因此,反向双正交的小波选择3.1作为默认母小波SAR图像的特征提取。gydF4y2Ba

歧视的各种类型的母小波的能力。顺序相关47母亲小波离散小波,小波双正交(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.3,3.5,3.7,3.9,4.4,5.5,和6.8),Coiflets(订单1、2、3、4、5),Haar小波,Daubechies小波(订单2、3、4、7、10、25日和45),反向双正交的小波(订单1.1,1.3,1.5,2.2,2.4,2.6,2.8,3.1,3.5,3.7,3.9,4.4,5.5,和6.8),和Symlets(订单2、4、8、16)。第37母小波是3.1反向双正交的小波。gydF4y2Ba

上述过程收益率大套特性表现出高可变性的质量区别的信息传达。达到真正有效的特性,使用PCA,既达到类似的结果2 d-pca和两级2 d-pca用于SAR特性时压缩的目的,在分析(gydF4y2Ba 26gydF4y2Ba]。此外,PCA更高效的计算时间和存储空间而言。介绍了主成分分析的实现如下:gydF4y2Ba

鉴于gydF4y2Ba。数据gydF4y2Ba XgydF4y2Ba =gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba ]gydF4y2Ba 。主成分数gydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

步骤1gydF4y2Ba。减去变量的均值gydF4y2Ba XgydF4y2Ba 。gydF4y2Ba

步骤2gydF4y2Ba。解决了奇异值分解)gydF4y2Ba XgydF4y2Ba =gydF4y2Ba UgydF4y2Ba 年代gydF4y2Ba VgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

步骤3gydF4y2Ba。维数降低的特性集计算第一gydF4y2Ba kgydF4y2Ba 列的gydF4y2Ba VgydF4y2Ba 作为gydF4y2Ba XgydF4y2Ba VgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

3.2。学习统计特性之间的关系gydF4y2Ba

因为访问数据带来真正的分布往往是不可用的,分别基于正/负样本的学习模型通常是不够准确的分类。事实上,区别的方法构造模型的积极的和消极的标签样品歧视的方式。因为最终的目标是分类,即使学分布可能不收敛于真实的分布,构造歧视模型往往比生成模型更好的歧视性能(gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba]。gydF4y2Ba

在二进制分类情况下,可以自然地扩展到更一般的gydF4y2Ba 米gydF4y2Ba 必要的分类情况,对于一个给定的标记训练集gydF4y2Ba 年代gydF4y2Ba ≔gydF4y2Ba {gydF4y2Ba (gydF4y2Ba xgydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba (gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba (gydF4y2Ba xgydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba )gydF4y2Ba }gydF4y2Ba ,在那里gydF4y2Ba ygydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba 代表样本的标签,每一对gydF4y2Ba (gydF4y2Ba xgydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba )gydF4y2Ba ∈gydF4y2Ba XgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba {gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba }gydF4y2Ba (gydF4y2Ba XgydF4y2Ba 通常是一个有限集的整数值吗gydF4y2Ba XgydF4y2Ba =gydF4y2Ba {gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 255年gydF4y2Ba }gydF4y2Ba )。假设我们有两个模型gydF4y2Ba pgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba ≔gydF4y2Ba PgydF4y2Ba XgydF4y2Ba ∣gydF4y2Ba YgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ∣gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba :gydF4y2Ba =gydF4y2Ba PgydF4y2Ba XgydF4y2Ba ∣gydF4y2Ba YgydF4y2Ba (gydF4y2Ba xgydF4y2Ba ∣gydF4y2Ba ygydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba 能描述的真实分布gydF4y2Ba pgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 测试,对数似然比是最优测试(在Neyman-Pearson和贝叶斯设置(gydF4y2Ba 38gydF4y2Ba])gydF4y2Ba (5)gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba xgydF4y2Ba 问gydF4y2Ba xgydF4y2Ba ≷gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ηgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ηgydF4y2Ba 阈值(gydF4y2Ba 38gydF4y2Ba]。gydF4y2Ba

在大多数情况下,是不可能获得真正的条件分布gydF4y2Ba pgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 。近似gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 通常用来标记训练集学习未知分布gydF4y2Ba 年代gydF4y2Ba 。因此,测试可以写成的对数似然比gydF4y2Ba (6)gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba xgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba xgydF4y2Ba ≷gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ηgydF4y2Ba 。gydF4y2Ba

最近提议的方法叫歧视树估计多元分布gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 共同的积极的和消极的标签样本训练集gydF4y2Ba 年代gydF4y2Ba 谭等。gydF4y2Ba 37gydF4y2Ba]。这种方法是基于假设学分布gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 马尔可夫对是一个无向图吗gydF4y2Ba GgydF4y2Ba =gydF4y2Ba (gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba )gydF4y2Ba ,在那里gydF4y2Ba VgydF4y2Ba =gydF4y2Ba {gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba }gydF4y2Ba 代表了顶点集和gydF4y2Ba EgydF4y2Ba ⊂gydF4y2Ba VgydF4y2Ba 2gydF4y2Ba 代表所有无序对顶点的集合。提到了马尔可夫符合当地的马尔可夫性质gydF4y2Ba (7)gydF4y2Ba pgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba VgydF4y2Ba \gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba pgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ∀gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba NgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ≔gydF4y2Ba {gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba :gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba }gydF4y2Ba 代表的邻居节点的集合gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba {gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba :gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 一个gydF4y2Ba }gydF4y2Ba 对于任何设置gydF4y2Ba 一个gydF4y2Ba ⊂gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

一个树结构分布gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 这是马尔可夫对一个无向图gydF4y2Ba GgydF4y2Ba =gydF4y2Ba (gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba )gydF4y2Ba 可以映像如下(gydF4y2Ba 39gydF4y2Ba]:gydF4y2Ba (8)gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba xgydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba jgydF4y2Ba xgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba 表示随机变量的边际gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 代表了两两结对的边际gydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

在此基础上,对于一个给定的分布gydF4y2Ba pgydF4y2Ba 的投影gydF4y2Ba pgydF4y2Ba 在一些树分布gydF4y2Ba GgydF4y2Ba =gydF4y2Ba (gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba EgydF4y2Ba )gydF4y2Ba 定义如下:gydF4y2Ba (9)gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba xgydF4y2Ba ≔gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba EgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba pgydF4y2Ba jgydF4y2Ba xgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

我们跑题了这里介绍的方法构建模型的生成方式,然后提供构建模型的方法区别的时尚。生成方法试图构建一个模型,该模型是一样的下属的模型分类的目标。广泛研究的生成方法,即Chow-Liu算法(gydF4y2Ba 40gydF4y2Ba),雇佣KL-divergence作为衡量两个概率分布的差异gydF4y2Ba pgydF4y2Ba 和gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 。Chow-Liu中的优化算法因此定义为gydF4y2Ba (10)gydF4y2Ba 最小值gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba ⁡gydF4y2Ba DgydF4y2Ba pgydF4y2Ba ∥gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ≔gydF4y2Ba 最小值gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba ⁡gydF4y2Ba EgydF4y2Ba pgydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba 州gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 是一个树结构分布相同的字母吗gydF4y2Ba TgydF4y2Ba 。这显示由周润发和刘优化问题可以解决通过使用最大重量生成树(MWST)算法(例如,克鲁斯卡(gydF4y2Ba 41gydF4y2Ba])的互信息用于表示对变量之间的边的权值。gydF4y2Ba

相比之下,最近提议歧视方法使用gydF4y2Ba JgydF4y2Ba 散度的测量两个概率分布之间的分离gydF4y2Ba pgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 。的gydF4y2Ba JgydF4y2Ba 散度是定义如下gydF4y2Ba 42gydF4y2Ba]:gydF4y2Ba (11)gydF4y2Ba JgydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ≔gydF4y2Ba DgydF4y2Ba pgydF4y2Ba ∥gydF4y2Ba 问gydF4y2Ba +gydF4y2Ba DgydF4y2Ba 问gydF4y2Ba ∥gydF4y2Ba pgydF4y2Ba 。gydF4y2Ba

优化问题减少到两个可MWST最大化问题树近似gydF4y2Ba JgydF4y2Ba 散度在两树structured-distributionsgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 对已知的经验分布gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ,它被定义为gydF4y2Ba (12)gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba =gydF4y2Ba argmaxgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ⁡gydF4y2Ba JgydF4y2Ba ^gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ;gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba (13)gydF4y2Ba JgydF4y2Ba ^gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ;gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ≔gydF4y2Ba ∑gydF4y2Ba xgydF4y2Ba ∈gydF4y2Ba XgydF4y2Ba ngydF4y2Ba pgydF4y2Ba ~gydF4y2Ba xgydF4y2Ba - - - - - -gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba xgydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba xgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba xgydF4y2Ba 。gydF4y2Ba

它指出,如[gydF4y2Ba 37gydF4y2Ba),(gydF4y2Ba 13gydF4y2Ba)可以解耦成两个独立的优化问题:gydF4y2Ba (14)gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba argmingydF4y2Ba pgydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ⁡gydF4y2Ba DgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ∥gydF4y2Ba pgydF4y2Ba - - - - - -gydF4y2Ba DgydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ∥gydF4y2Ba pgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba =gydF4y2Ba argmingydF4y2Ba 问gydF4y2Ba ∈gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ⁡gydF4y2Ba DgydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba ∥gydF4y2Ba 问gydF4y2Ba - - - - - -gydF4y2Ba DgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba ∥gydF4y2Ba 问gydF4y2Ba 。gydF4y2Ba

这些可以通过MWST算法来解决gydF4y2Ba (15)gydF4y2Ba ψgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba +gydF4y2Ba ≔gydF4y2Ba EgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba jgydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

总的来说,学习的过程有识别力的树的总结了以下步骤(gydF4y2Ba 37gydF4y2Ba]:gydF4y2Ba

鉴于gydF4y2Ba。训练集gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

步骤1gydF4y2Ba。估计成对的统计数据gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba )gydF4y2Ba 为所有的边缘gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

步骤2gydF4y2Ba。边的权值计算gydF4y2Ba {gydF4y2Ba ψgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba (gydF4y2Ba +gydF4y2Ba )gydF4y2Ba }gydF4y2Ba 和gydF4y2Ba {gydF4y2Ba ψgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba (gydF4y2Ba - - - - - -gydF4y2Ba )gydF4y2Ba }gydF4y2Ba 为所有的边缘gydF4y2Ba (gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

步骤3gydF4y2Ba。找到最佳的树结构与给定的边的权值。gydF4y2Ba

步骤4gydF4y2Ba。集gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 上的投影gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba 到gydF4y2Ba EgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba 到gydF4y2Ba EgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ,分别。gydF4y2Ba

步骤5gydF4y2Ba。测试样本进行分类gydF4y2Ba xgydF4y2Ba 使用学到的分布gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba 似然比检验gydF4y2Ba hgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba (gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba

因为分类结果最终取决于测试的数值结果对数似然比,我们选择采用一个固定阈值0为整个培训过程。这是因为可能大于0表示属于概率较高gydF4y2Ba pgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 。同样,可能小于0指示属于高概率gydF4y2Ba 问gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 。gydF4y2Ba

 4所示。识别方案gydF4y2Ba

分类器建设ATR的主要目的是将大量的训练数据转化为有用的知识分类的学习。然而,一个分类器从大量的高数据不能保证实现良好的性能在不同分类和可能产生大的特征维度。因此,重视找到感兴趣的有效表征目标用于构造分类器。gydF4y2Ba

提取功能可能包括大型集功能乍一看可能的利用价值,但被证明是太“乱”和高冗余。事实上,分类器的学习过程可大大受益于收购后的特征降维过程提取的功能正如前面所讨论的那样。redundancy-reduced特性可以用于学习分类器,在有效的分类器可以实现更好的分类结果精度。因此,建议扩大数量的潜在特性然后消除现有的冗余,降低放大特性集的维数,最后利用保存特性分类、构成特点,适当的质量、数量的组合。在拟议的识别方案,与小波分解特征提取,然后特性集的维数降低提供一套功能区别的信息丰富,但有限的维数,减少冗余。充分利用提取的特征,树结构分类器是在歧视时尚训练数据提供的基于统计信息的目标类。学习分类器的特征节点连接生成树,每个节点连接到另一个节点的最大相关性。此外,可以相应的计算功能节点之间的相关性。最后,分类器结合使用Real-AdaBoost算法构建最终的分类器分类精度高和不太容易过度拟合,最近提议的歧视涉及树作为基分类器。常规序列的步骤如图提议的方案gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

通用图,描述了各个步骤的SAR ATR方案。gydF4y2Ba

 4.1。构造一个强分类器gydF4y2Ba

不断努力构造一个分类器分类精度高、泛化能力强(后来的含义,分类器的性能从一个给定的训练数据集仍然是很好的分类器时接触到看不见的数据)(gydF4y2Ba 43gydF4y2Ba]。采用整体学习方法是一种解决方案。整体学习方法构建和组合一组基分类器的构造和使用一个单一分类器从训练数据集。可以生成基分类器的训练数据集使用任何学习算法(如决策树、图形化模型和神经网络)。gydF4y2Ba

演算法是一个整体的方法,在不同的领域都取得了极大的成功gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 43gydF4y2Ba- - - - - -gydF4y2Ba 47gydF4y2Ba]。演算法的总体想法是不断更新的分布基本分类器的训练数据,这样的学习在每个迭代中更侧重于错误的标签样品前学到的基分类器。Real-Adaboost演的是一个变体已经验证明比普通演算法有更好的性能(Discrete-AdaBoost) [gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba,gydF4y2Ba 44gydF4y2Ba]。具体地说,对于一个给定的训练数据集gydF4y2Ba 年代gydF4y2Ba ,每个样本被指定初始重量gydF4y2Ba ωgydF4y2Ba 0gydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba lgydF4y2Ba ,在那里gydF4y2Ba lgydF4y2Ba 是训练样本的数量。一个基本分类器在每次迭代学习gydF4y2Ba tgydF4y2Ba 这样gydF4y2Ba hgydF4y2Ba tgydF4y2Ba :gydF4y2Ba XgydF4y2Ba ngydF4y2Ba →gydF4y2Ba RgydF4y2Ba ,一个更大的绝对值gydF4y2Ba hgydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 显示更高的信心。然后,样品错误的标签gydF4y2Ba hgydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是等权重的增加,所构造的分类器在随后的迭代可以专注于分类错误的样本。最后,结合分类器产生的gydF4y2Ba TgydF4y2Ba 迭代gydF4y2Ba (16)gydF4y2Ba HgydF4y2Ba TgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba αgydF4y2Ba tgydF4y2Ba hgydF4y2Ba tgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba 符号函数吗gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba (gydF4y2Ba 一个gydF4y2Ba )gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 如果gydF4y2Ba 一个gydF4y2Ba ≥gydF4y2Ba 0gydF4y2Ba 和gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 否则,gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 系数计算在每个迭代中最小化加权训练误差。总的来说,Real-AdaBoost算法训练一组基分类器按顺序组合成一个强大的分类器,在当前的学习基分类器将更多的注意力放在错误的标签样品前基分类器。gydF4y2Ba

的整体过程Real-AdaBoost迭代训练集分布的重排而基分类器的学习方法是没有改变。学习的基本分类器在每个迭代中gydF4y2Ba tgydF4y2Ba ,该集团的冗余和维数降低小波的特性受聘和美联储学习歧视树分类器建设。采用部分中介绍的学习方法gydF4y2Ba 3所示。2gydF4y2Ba构造,一双有识别力的树提供一个估计的分类结果。具体来说,一双有识别力的树木构成Real-AdaBoost基分类器gydF4y2Ba hgydF4y2Ba tgydF4y2Ba :gydF4y2Ba XgydF4y2Ba ngydF4y2Ba →gydF4y2Ba RgydF4y2Ba ,在那里gydF4y2Ba hgydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba ]gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba 在表示了歧视的树模型gydF4y2Ba tgydF4y2Ba th Real-AdaBoost的迭代。后gydF4y2Ba TgydF4y2Ba 迭代,gydF4y2Ba TgydF4y2Ba 对歧视的树木学,结合构建一个更强的分类器有更好的近似的分类结果可以写成中提琴和琼斯gydF4y2Ba 45gydF4y2Ba]gydF4y2Ba (17)gydF4y2Ba HgydF4y2Ba TgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba αgydF4y2Ba tgydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba xgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba xgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba ∏gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba xgydF4y2Ba αgydF4y2Ba tgydF4y2Ba ∏gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba xgydF4y2Ba αgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba pgydF4y2Ba ^gydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ∗gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ∗gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba ∗gydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba αgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

的迭代更新训练集分布,较大的分类错误的样本重新分配权重和正确分类样本重新分配较小的重量比之前的重量。关于重量分布更新问题,简单重复的样品重量是时间和较高的计算效率低下。这是因为随着迭代次数的增加,错误的标签样本数量更少但更大的权重。因此,最后的训练集是固定在大小和构造以随机抽样的方式,在原始训练集样本的选择是根据更新后的重量分布。整个分类器施工方案总结如下:gydF4y2Ba

鉴于gydF4y2Ba。训练数据集gydF4y2Ba 年代gydF4y2Ba 。的迭代次数gydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

步骤1gydF4y2Ba。小波变换特征提取从给定的训练数据集gydF4y2Ba 年代gydF4y2Ba 。gydF4y2Ba

步骤2gydF4y2Ba。冗余和降维提取的特征。gydF4y2Ba

步骤3gydF4y2Ba。初始化分布权重,gydF4y2Ba wgydF4y2Ba 0gydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba lgydF4y2Ba 对所有gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba lgydF4y2Ba ≤gydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

步骤4gydF4y2Ba。分类器构造gydF4y2Ba

(1)gydF4y2Ba 为gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba :gydF4y2Ba TgydF4y2Ba 做gydF4y2Ba

(2)学习的区别的树木gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba 从加权经验分布gydF4y2Ba pgydF4y2Ba ~gydF4y2Ba wgydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba ~gydF4y2Ba wgydF4y2Ba 。gydF4y2Ba

(3)基分类器gydF4y2Ba hgydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba :gydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba ]gydF4y2Ba 。gydF4y2Ba

(4)计算系数gydF4y2Ba αgydF4y2Ba tgydF4y2Ba (18)gydF4y2Ba αgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba wgydF4y2Ba tgydF4y2Ba lgydF4y2Ba ygydF4y2Ba lgydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba hgydF4y2Ba tgydF4y2Ba xgydF4y2Ba lgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba wgydF4y2Ba tgydF4y2Ba lgydF4y2Ba ygydF4y2Ba lgydF4y2Ba 年代gydF4y2Ba ggydF4y2Ba ngydF4y2Ba hgydF4y2Ba tgydF4y2Ba xgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

(5)更新加权经验分布:gydF4y2Ba (19)gydF4y2Ba wgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba wgydF4y2Ba tgydF4y2Ba lgydF4y2Ba 经验值gydF4y2Ba ⁡gydF4y2Ba - - - - - -gydF4y2Ba αgydF4y2Ba tgydF4y2Ba ygydF4y2Ba lgydF4y2Ba hgydF4y2Ba tgydF4y2Ba xgydF4y2Ba lgydF4y2Ba ζgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba ∀gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba ζgydF4y2Ba tgydF4y2Ba 是归一化因子(确保gydF4y2Ba wgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba lgydF4y2Ba )gydF4y2Ba 将一个分布)。gydF4y2Ba

(6)gydF4y2Ba 结束了gydF4y2Ba

步骤5gydF4y2Ba。输出最终的分类器gydF4y2Ba hgydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 日志gydF4y2Ba ⁡gydF4y2Ba (gydF4y2Ba pgydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba ]gydF4y2Ba 与系数gydF4y2Ba {gydF4y2Ba αgydF4y2Ba tgydF4y2Ba }gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

4.2。多类分类gydF4y2Ba

One-vs。- - - - - -One (OvO) and One-vs.-All (OvA) are the two most popular strategies for the extension of a two-class classification (binary classification) problem to a multiclass classification (multinomial classification) [ 48gydF4y2Ba]。对于一个gydF4y2Ba KgydF4y2Ba 类问题,蛋的策略训练gydF4y2Ba KgydF4y2Ba (gydF4y2Ba KgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 二元分类器,每个分类两类选择从原始训练集的分类。看不见的样本,这些样本是美联储和测试gydF4y2Ba KgydF4y2Ba (gydF4y2Ba KgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba /gydF4y2Ba 2gydF4y2Ba 分类器采用投票方案的类实现最多的积极的预测将被视为最终的预测。卵巢策略训练一个分类器对每个类的样本目标类都视为积极的样品和其他样品的负样本。在预测阶段,看不见的样本与类的标签分配gydF4y2Ba kgydF4y2Ba 如果相应的分类器产生似然得分最高。gydF4y2Ba

 5。实验结果gydF4y2Ba

在本节中,提出方案的性能评价和比较几种建立方法。广泛使用的SAR ATR实验验证和比较基准移动和静止目标获取与识别(MSTAR)公开发布数据库是用于绩效评估(gydF4y2Ba 49gydF4y2Ba- - - - - -gydF4y2Ba 51gydF4y2Ba]。MSTAR数据库包含10车类,所收集的x波段SAR与1英尺英尺决议,包括BMP2 BTR70, T72, BTR60, 2 s1, BRDM2, D7, T62, ZILI131 ZSU234, SLICY。目标图像的采集是抑郁症在不同角度拍摄角度和方面,适合检测SAR ATR方法以各种操作条件下的目标。gydF4y2Ba

有两个类别的操作条件MSTAR数据库:标准的操作条件(soc)和扩展的操作条件(而是EOCs) [gydF4y2Ba 50gydF4y2Ba]。捕获的目标在soc表中列出gydF4y2Ba 1gydF4y2Ba包括车辆信息类型,数量的芯片图像,序列号,和抑郁的角度。值得注意的是,SAR ATR的而是EOCs更困难比出类拔萃。EOC-1,大萧条的角度更大变化的训练15°以下捕获图像和测试图像捕获在30°,如表所示gydF4y2Ba 2gydF4y2Ba。EOC-2,训练和测试设备有各种版本的T72不同的序列号,如表所示gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

MSTAR数据集下的10类目标出类拔萃。gydF4y2Ba

训练集gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 俯视角gydF4y2Ba
BMP2gydF4y2Ba 699年gydF4y2Ba 9563年,9566年,C21gydF4y2Ba 17°gydF4y2Ba
BTR70gydF4y2Ba 233年gydF4y2Ba C71gydF4y2Ba 17°gydF4y2Ba
T72gydF4y2Ba 699年gydF4y2Ba 132、812、S7gydF4y2Ba 17°gydF4y2Ba
BTR60gydF4y2Ba 256年gydF4y2Ba k10yt7532gydF4y2Ba 17°gydF4y2Ba
2 s1gydF4y2Ba 299年gydF4y2Ba B01gydF4y2Ba 17°gydF4y2Ba
BRDM2gydF4y2Ba 299年gydF4y2Ba E71gydF4y2Ba 17°gydF4y2Ba
D7gydF4y2Ba 299年gydF4y2Ba 92年v13015gydF4y2Ba 17°gydF4y2Ba
T62gydF4y2Ba 299年gydF4y2Ba A51gydF4y2Ba 17°gydF4y2Ba
ZILI131gydF4y2Ba 299年gydF4y2Ba E12汽油gydF4y2Ba 17°gydF4y2Ba
ZSU234gydF4y2Ba 299年gydF4y2Ba D08gydF4y2Ba 17°gydF4y2Ba
测试组gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 俯视角gydF4y2Ba
BMP2gydF4y2Ba 587年gydF4y2Ba 9563年,9566年,C21gydF4y2Ba 15°gydF4y2Ba
BTR70gydF4y2Ba 196年gydF4y2Ba C71gydF4y2Ba 15°gydF4y2Ba
T72gydF4y2Ba 588年gydF4y2Ba 132、812、S7gydF4y2Ba 15°gydF4y2Ba
BTR60gydF4y2Ba 196年gydF4y2Ba k10yt7532gydF4y2Ba 15°gydF4y2Ba
2 s1gydF4y2Ba 274年gydF4y2Ba B01gydF4y2Ba 15°gydF4y2Ba
BRDM2gydF4y2Ba 274年gydF4y2Ba E71gydF4y2Ba 15°gydF4y2Ba
D7gydF4y2Ba 274年gydF4y2Ba 92年v13015gydF4y2Ba 15°gydF4y2Ba
T62gydF4y2Ba 274年gydF4y2Ba A51gydF4y2Ba 15°gydF4y2Ba
ZILI131gydF4y2Ba 274年gydF4y2Ba E12汽油gydF4y2Ba 15°gydF4y2Ba
ZSU234gydF4y2Ba 274年gydF4y2Ba D08gydF4y2Ba 15°gydF4y2Ba

4类EOC-1下MSTAR数据集的目标。gydF4y2Ba

训练集gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 俯视角gydF4y2Ba
2 s1gydF4y2Ba 274年gydF4y2Ba B01gydF4y2Ba 15°gydF4y2Ba
BRDM2gydF4y2Ba 274年gydF4y2Ba E71gydF4y2Ba 15°gydF4y2Ba
ZSU234gydF4y2Ba 274年gydF4y2Ba D08gydF4y2Ba 15°gydF4y2Ba
T72gydF4y2Ba 274年gydF4y2Ba A64gydF4y2Ba 15°gydF4y2Ba
测试组gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 俯视角gydF4y2Ba
2 s1gydF4y2Ba 288年gydF4y2Ba B01gydF4y2Ba 30°gydF4y2Ba
BRDM2gydF4y2Ba 288年gydF4y2Ba E71gydF4y2Ba 30°gydF4y2Ba
ZSU234gydF4y2Ba 288年gydF4y2Ba D08gydF4y2Ba 30°gydF4y2Ba
T72gydF4y2Ba 288年gydF4y2Ba A64gydF4y2Ba 30°gydF4y2Ba

5变种的T72 EOC-2下不同序列号的MSTAR数据集。gydF4y2Ba

训练集gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 俯视角gydF4y2Ba
BMP2gydF4y2Ba 233年gydF4y2Ba C21gydF4y2Ba 17°gydF4y2Ba
BRDM2gydF4y2Ba 298年gydF4y2Ba E71gydF4y2Ba 17°gydF4y2Ba
BTR70gydF4y2Ba 233年gydF4y2Ba C71gydF4y2Ba 17°gydF4y2Ba
T72gydF4y2Ba 233年gydF4y2Ba 132年gydF4y2Ba 17°gydF4y2Ba
测试组gydF4y2Ba
车辆gydF4y2Ba 数量的图片gydF4y2Ba 序列号gydF4y2Ba 抑郁症的角度gydF4y2Ba
T72gydF4y2Ba 419年gydF4y2Ba S7gydF4y2Ba 15°和17°gydF4y2Ba
T72gydF4y2Ba 572年gydF4y2Ba A32gydF4y2Ba 15°和17°gydF4y2Ba
T72gydF4y2Ba 573年gydF4y2Ba A62gydF4y2Ba 15°和17°gydF4y2Ba
T72gydF4y2Ba 573年gydF4y2Ba A63gydF4y2Ba 15°和17°gydF4y2Ba
T72gydF4y2Ba 573年gydF4y2Ba A64gydF4y2Ba 15°和17°gydF4y2Ba

我们实验的二级和三级二维小波分解对反向双正交的小波(选中的母小波介绍部分gydF4y2Ba 3所示。1gydF4y2Ba)。在下面,小波768 (gydF4y2Ba 256年gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba =gydF4y2Ba 768年gydF4y2Ba 192)和小波(gydF4y2Ba 64年gydF4y2Ba ×gydF4y2Ba 3gydF4y2Ba =gydF4y2Ba 192年gydF4y2Ba )是用来表示二级和三级小波分解,分别。的停止准则Real-AdaBoost设置为400次迭代。感兴趣的目标的分割是基于使用MRF模型实现方法,潜在的类数是2,预期为0.4,最大迭代数量是50。分割的目标却充盈着一片圆盘状模板半径为3。重叠的矩形度是0.5,表明一个适当的MBR必须超过50%长边缘像素重叠的利益的目标。此外,该方法在计算机上用Matlab R2013a实现和测试,1.8 GHz CPU和4 GB RAM。关于计算的复杂性,为分类分类器训练10个目标蛋时尚,一个样本的处理时间小于0.02 s,包括过程和识别目标的提取和压缩特性。gydF4y2Ba

之前将该方法应用于SAR ATR和与其他方法相比,有必要测试该方法结合几个重要的过程,包括图像能量归一化、特征提取,扩展两级多级分类,提出整改。这四个部分进行测试gydF4y2Ba 5。1gydF4y2Ba来gydF4y2Ba 5。4gydF4y2Ba,识别精度性能的比较与其他方法提供了部分gydF4y2Ba 5。5gydF4y2Ba。gydF4y2Ba

5.1。图像的能量归一化gydF4y2Ba

能量归一化图像的意义在SAR ATR测试在这一节中,该方案的性能测试有或没有图像能量归一化处理。捕获的数据集包括所有10类在soc表中列出gydF4y2Ba 1gydF4y2Ba。192年小波用于特征提取。gydF4y2Ba

它是注意到在图gydF4y2Ba 10gydF4y2Ba特征提取之前正常化的参与有利于提高分类精度。事实上,随着维度的特征向量用于分类,图像能量归一化的优势。这是因为更大的训练功能集提供了更多的信息分类,在分类器赋予更多的歧视能力利用所提供的信息。然而,分类和标准化达到良好的分类精度(约96%)即使特征向量维数低得多,产生的精度几乎是一样的尺寸精度达到更高的特性。因此,还是建议采用图像能量归一化预处理,尤其是对分类器由培训低维度的特性集。在下面,图像能量归一化过程采用标准默认的处理步骤。gydF4y2Ba

性能比较在两种情况下指图像能量归一化的就业与否。gydF4y2Ba

 5.2。扩展多类gydF4y2Ba

我们比较蛋和卵子策略在同一训练集(所有10个类在soc)来测试他们的SAR ATR的性能问题。这是表示在图gydF4y2Ba 11gydF4y2Ba蛋策略似乎优于卵巢战略略SAR ATR中的问题。边际差异识别准确性躺在训练集的不平衡,在卵巢策略采用积极的样本的类的数量远远低于负类样本。事实上,卵子策略的优点是它在计算和时间复杂度,蛋45构造分类器和卵巢结构10分类器一个十级的问题,分别。因为本文的目的是提供一种SAR ATR方案识别精度高,蛋被作为默认的策略解决多类问题。gydF4y2Ba

蛋和卵子策略之间的性能比较。gydF4y2Ba

 5.3。特征提取gydF4y2Ba

在本节中,我们比较的性能特征提取使用小波192三级小波分解和小波768(二级小波分解)。所有10类捕获soc以下用于训练和测试。如图gydF4y2Ba 12gydF4y2Ba,这两个曲线相互耦合。192小波优于小波768年特征向量具有较低的维度。然而,这种情况下的变化特征向量的维度增加到40。此外,最好的分类结果(97.46%)是通过使用小波768特征尺寸为70。这是因为小波768年为歧视和提供更多的功能提出ATR方案构造,结合几个歧视树分类器,充分利用固有的歧视信息提取功能。gydF4y2Ba

小波之间的性能比较192年和768年小波。gydF4y2Ba

 5.4。提出整改gydF4y2Ba 5.4.1之前。姿态估计gydF4y2Ba

测试提出的性能估计方法,该方法的评估结果进行比较的地面实况目标姿势(方位MSTAR数据库中提供的信息)。估计结果的正确性评估所谓的平均绝对差(MAD),计算gydF4y2Ba EgydF4y2Ba rgydF4y2Ba rgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba |gydF4y2Ba EgydF4y2Ba tgydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba - - - - - -gydF4y2Ba EgydF4y2Ba egydF4y2Ba (gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba |gydF4y2Ba 。疯狂显示实际的估计误差对地面真理相比,平均误差(我),因为它阻止了抵消的正面和负面的错误。此外,该方法的性能评价和比较几种广为引用的方法,如最小二乘法(LSM)估计为基础,基于霍夫变换(HT)方法,基于MBR的方法,基于变换(RT)的方法。gydF4y2Ba

所有10个目标捕获与不同抑郁角度和目标提出了涉及到测试该方法的鲁棒性抑郁症的角度变化。10个目标的评价结果抑郁角度17°15°表中列出gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba,分别。所有序列号BMP2的变异和T72 MSTAR数据集涉及测试序列号的变化鲁棒性。评价结果数据捕获萧条的角度17°15°表中列出gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba,分别。指出基于MBR的方法取得了估计误差相比其他方法要低得多。然而,基于MBR的方法估计误差的性能高于10°在几个测试。更具体地说,基于MBR的方法达到最高的估计误差15.32°BRDM2捕获的俯角15°。与这些方法相比,该方法达到了最低估计误差在所有测试(低于10°)。gydF4y2Ba

疯狂的评价该方法的所有10个目标俯角17°(度)。gydF4y2Ba

车辆gydF4y2Ba BTR60gydF4y2Ba 2 s1gydF4y2Ba BRDM2gydF4y2Ba D7gydF4y2Ba T62gydF4y2Ba ZIL131gydF4y2Ba ZSU234gydF4y2Ba BMP2gydF4y2Ba BTR70gydF4y2Ba T72gydF4y2Ba
LSMgydF4y2Ba 7.05gydF4y2Ba 11.05gydF4y2Ba 15.48gydF4y2Ba 11.93gydF4y2Ba 10.47gydF4y2Ba 10.79gydF4y2Ba 15.42gydF4y2Ba 9.39gydF4y2Ba 9.33gydF4y2Ba 10.22gydF4y2Ba
HTgydF4y2Ba 9.17gydF4y2Ba 11.26gydF4y2Ba 12.14gydF4y2Ba 18.86gydF4y2Ba 14.69gydF4y2Ba 12.34gydF4y2Ba 15.16gydF4y2Ba 10.72gydF4y2Ba 8.09gydF4y2Ba 12.64gydF4y2Ba
MBRgydF4y2Ba 6.10gydF4y2Ba 7.45gydF4y2Ba 14.66gydF4y2Ba 6.27gydF4y2Ba 7.18gydF4y2Ba 11.87gydF4y2Ba 8.23gydF4y2Ba 6.79gydF4y2Ba 9.38gydF4y2Ba 4.99gydF4y2Ba
RTgydF4y2Ba 7.23gydF4y2Ba 9.55gydF4y2Ba 10.38gydF4y2Ba 19.32gydF4y2Ba 13.32gydF4y2Ba 9.27gydF4y2Ba 18.40gydF4y2Ba 9.54gydF4y2Ba 7.49gydF4y2Ba 13.73gydF4y2Ba
该方法gydF4y2Ba 4.85gydF4y2Ba 5.84gydF4y2Ba 8.70gydF4y2Ba 6.27gydF4y2Ba 9.39gydF4y2Ba 8.02gydF4y2Ba 7.83gydF4y2Ba 5.43gydF4y2Ba 6.67gydF4y2Ba 4.51gydF4y2Ba

疯狂的评价该方法的所有10个目标俯角15°(度)。gydF4y2Ba

车辆gydF4y2Ba BTR60gydF4y2Ba 2 s1gydF4y2Ba BRDM2gydF4y2Ba D7gydF4y2Ba T62gydF4y2Ba ZIL131gydF4y2Ba ZSU234gydF4y2Ba BMP2gydF4y2Ba BTR70gydF4y2Ba T72gydF4y2Ba
LSMgydF4y2Ba 5.52gydF4y2Ba 10.63gydF4y2Ba 15.21gydF4y2Ba 10.09gydF4y2Ba 9.20gydF4y2Ba 8.67gydF4y2Ba 14.07gydF4y2Ba 7.56gydF4y2Ba 7.00gydF4y2Ba 6.87gydF4y2Ba
HTgydF4y2Ba 7.00gydF4y2Ba 10.16gydF4y2Ba 10.96gydF4y2Ba 16.72gydF4y2Ba 13.49gydF4y2Ba 10.13gydF4y2Ba 14.32gydF4y2Ba 9.02gydF4y2Ba 6.87gydF4y2Ba 10.38gydF4y2Ba
MBRgydF4y2Ba 5.11gydF4y2Ba 6.64gydF4y2Ba 15.32gydF4y2Ba 6.40gydF4y2Ba 6.93gydF4y2Ba 10.23gydF4y2Ba 8.81gydF4y2Ba 5.12gydF4y2Ba 7.01gydF4y2Ba 3.53gydF4y2Ba
RTgydF4y2Ba 4.76gydF4y2Ba 9.63gydF4y2Ba 9.38gydF4y2Ba 17.36gydF4y2Ba 12.34gydF4y2Ba 7.08gydF4y2Ba 17.31gydF4y2Ba 8.27gydF4y2Ba 5.85gydF4y2Ba 10.61gydF4y2Ba
该方法gydF4y2Ba 3.81gydF4y2Ba 5.42gydF4y2Ba 9.04gydF4y2Ba 6.32gydF4y2Ba 6.10gydF4y2Ba 5.89gydF4y2Ba 7.67gydF4y2Ba 4.45gydF4y2Ba 5.13gydF4y2Ba 3.38gydF4y2Ba

疯狂的评价该方法的所有序列号变体BMP2和T72俯角17°(度)。gydF4y2Ba

车辆类型gydF4y2Ba BMP2gydF4y2Ba T72gydF4y2Ba
132年gydF4y2Ba 812年gydF4y2Ba s7gydF4y2Ba 9563年gydF4y2Ba 9566年gydF4y2Ba c21gydF4y2Ba
LSMgydF4y2Ba 17.15gydF4y2Ba 9.58gydF4y2Ba 13.12gydF4y2Ba 13.53gydF4y2Ba 13.22gydF4y2Ba 12.06gydF4y2Ba
HTgydF4y2Ba 18.87gydF4y2Ba 14.81gydF4y2Ba 16.23gydF4y2Ba 12.96gydF4y2Ba 13.04gydF4y2Ba 13.76gydF4y2Ba
MBRgydF4y2Ba 7.97gydF4y2Ba 5.50gydF4y2Ba 6.40gydF4y2Ba 11.90gydF4y2Ba 9.96gydF4y2Ba 8.71gydF4y2Ba
RTgydF4y2Ba 21.46gydF4y2Ba 15.15gydF4y2Ba 17.62gydF4y2Ba 11.47gydF4y2Ba 13.65gydF4y2Ba 12.25gydF4y2Ba
该方法gydF4y2Ba 7.93gydF4y2Ba 5.42gydF4y2Ba 5.79gydF4y2Ba 8.47gydF4y2Ba 7.94gydF4y2Ba 6.96gydF4y2Ba

疯狂的评价该方法的所有序列号变体BMP2和T72俯角15°(度)。gydF4y2Ba

车辆类型gydF4y2Ba BMP2gydF4y2Ba T72gydF4y2Ba
132年gydF4y2Ba 812年gydF4y2Ba s7gydF4y2Ba 9563年gydF4y2Ba 9566年gydF4y2Ba c21gydF4y2Ba
LSMgydF4y2Ba 12.58gydF4y2Ba 9.30gydF4y2Ba 10.74gydF4y2Ba 11.26gydF4y2Ba 10.96gydF4y2Ba 9.71gydF4y2Ba
HTgydF4y2Ba 15.98gydF4y2Ba 12.36gydF4y2Ba 13.32gydF4y2Ba 9.44gydF4y2Ba 9.63gydF4y2Ba 11.58gydF4y2Ba
MBRgydF4y2Ba 7.75gydF4y2Ba 4.85gydF4y2Ba 4.53gydF4y2Ba 8.57gydF4y2Ba 6.93gydF4y2Ba 6.57gydF4y2Ba
RTgydF4y2Ba 17.16gydF4y2Ba 11.31gydF4y2Ba 13.62gydF4y2Ba 9.38gydF4y2Ba 10.31gydF4y2Ba 10.61gydF4y2Ba
该方法gydF4y2Ba 7.21gydF4y2Ba 4.60gydF4y2Ba 4.34gydF4y2Ba 6.96gydF4y2Ba 5.63gydF4y2Ba 5.71gydF4y2Ba

此外,上述测试的平均估计误差说明数据条形图gydF4y2Ba 13gydF4y2Ba和gydF4y2Ba 14gydF4y2Ba,这样更可以观察到明显的比较。同样,该方法与最小二乘法相比(LSM)估计为基础,基于HT的方法,基于MBR的方法,基于RT的方法。指出,对于大多数的这些方法,实现更高的估计误差的序列号变异测试。与这些方法相比,该方法在两个测试中均达到健壮且准确的估计结果。具体来说,该方法达到了最低的平均估计误差在所有测试(低于8°)。gydF4y2Ba

性能比较抑郁的所有10个目标角度17°15°。gydF4y2Ba

性能比较序列号BMP2的变异和T72抑郁17°角和15°。gydF4y2Ba

 5.4.2。提出整改gydF4y2Ba

各种目标带来了伟大的变化引入到SAR图像。在几个研究实验证明,在某些方向或旋转图像旋转不变特性的引入有利于提高分类精度(gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。为此,我们旋转图像根据SAR图像的目标构成,命名为提出整改。在本节中,我们测试方案的性能或不构成整流使用相同的训练和测试集(SOC)下所有10类。SAR图像旋转逆时针根据他们的姿势。从图可以看出gydF4y2Ba 15gydF4y2Ba、分类和构成整流普遍优于监督分类没有提出整改。它也指出,最好的分类精度(99.3%)是通过小波768特征尺寸为75。这些结果符合我们期望的分类可以受益于消除了对SAR图像的变化。具体来说,提出的整改提供了目标图像分类用更少的变化。gydF4y2Ba

性能比较在两种情况下指构成整流的就业与否。gydF4y2Ba

 5.4.3。离群值拒绝性能gydF4y2Ba

评估异常拒绝该方法的性能,测试不同阈值的对数似,介绍了部分gydF4y2Ba 3所示。2gydF4y2Ba,成立中华民国曲线。BMP2 BTR70, T72列在表中gydF4y2Ba 1gydF4y2Ba涉及分类器训练和SLICY集涉及confusers 1168图像芯片,也就是说,210芯片捕获15°、298芯片捕获16°,386芯片捕获17°和274芯片捕获在29°。如图gydF4y2Ba 16gydF4y2Ba在检测的概率gydF4y2Ba PgydF4y2Ba dgydF4y2Ba =gydF4y2Ba 90年gydF4y2Ba %gydF4y2Ba ,误报的概率特征维度的75gydF4y2Ba PgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 2.34gydF4y2Ba %gydF4y2Ba 。很明显,该方法是健壮的拒绝混淆的目标。gydF4y2Ba

局外人拒绝768年该方法与小波压缩的性能与不同的维度。gydF4y2Ba

 5.5。ATR性能比较gydF4y2Ba

的有效性提出了ATR计划在这一节中进行测试。几种广为引用方法的性能比较,例如,延长最大平均相关高度过滤(EMACH) [gydF4y2Ba 53gydF4y2Ba),与高斯核支持向量机(SVM)分类器(gydF4y2Ba 52gydF4y2Ba),功能融合通过演算法与神经网络作为基分类器(gydF4y2Ba 2gydF4y2Ba),迭代图增厚(IGT)的方法(gydF4y2Ba 24gydF4y2Ba]。从使用方法获得最好的结果与其他方法进行比较。gydF4y2Ba

表gydF4y2Ba 8gydF4y2Ba列出了soc下提到的方法的性能比较。它指出,该方法取得了显著改善分类精度与其他方法进行比较。大多数类是正确分类准确率达到了100%,其余的gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 高于98%,也远高于其他方法。此外,该方法的优越性得到加强的平均水平gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba (99.3%)远高于第二高的平均水平gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba (84.8%)。gydF4y2Ba

EMACH混淆矩阵的方法(gydF4y2Ba 52gydF4y2Ba),方法(gydF4y2Ba 2gydF4y2BaIGT),该方法在soc测试(gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba (%))。gydF4y2Ba

EMACH混淆矩阵的方法(gydF4y2Ba 52gydF4y2Ba),该方法gydF4y2Ba
车辆gydF4y2Ba BMP2gydF4y2Ba BTR70gydF4y2Ba T72gydF4y2Ba BTR60gydF4y2Ba 2 s1gydF4y2Ba BRDM2gydF4y2Ba D7gydF4y2Ba T62gydF4y2Ba ZILI131gydF4y2Ba ZSU234gydF4y2Ba
BMP2gydF4y2Ba 90/90 /gydF4y2Ba One hundred.gydF4y2Ba 2/2/0gydF4y2Ba 4/3/0gydF4y2Ba 1/1/0gydF4y2Ba 1/1/0gydF4y2Ba 0/2/0gydF4y2Ba 0/0/0gydF4y2Ba 1/0/0gydF4y2Ba 0/1/0gydF4y2Ba 1/0/0gydF4y2Ba
BTR70gydF4y2Ba 2/3/0gydF4y2Ba 93/90 /gydF4y2Ba One hundred.gydF4y2Ba 1/3/0gydF4y2Ba 0/0/0gydF4y2Ba 1/0/0gydF4y2Ba 1/2/0gydF4y2Ba 0/0/0gydF4y2Ba 2/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/2/0gydF4y2Ba
T72gydF4y2Ba 2/2/0gydF4y2Ba 0/1/0gydF4y2Ba 96/93 /gydF4y2Ba One hundred.gydF4y2Ba 0/3/0gydF4y2Ba 1/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba
BTR60gydF4y2Ba 0/2/0gydF4y2Ba 1/2/0gydF4y2Ba 0/1/2gydF4y2Ba 95/92 /gydF4y2Ba 98年gydF4y2Ba 1/0/0gydF4y2Ba 0/0/0gydF4y2Ba 3/3/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba
2 s1gydF4y2Ba 5/5/0gydF4y2Ba 6/3/0gydF4y2Ba 4/2/1gydF4y2Ba 2/0/0gydF4y2Ba 74/81 /gydF4y2Ba 99年gydF4y2Ba 3/3/0gydF4y2Ba 1/2/0gydF4y2Ba 2/3/0gydF4y2Ba 1/0/0gydF4y2Ba 2/1/0gydF4y2Ba
BRDM2gydF4y2Ba 3/6/1gydF4y2Ba 6/8/0gydF4y2Ba 3/2/0gydF4y2Ba 0/1/0gydF4y2Ba 1/0/0gydF4y2Ba 84/79 /gydF4y2Ba 99年gydF4y2Ba 2/0/0gydF4y2Ba 0/3/0gydF4y2Ba 0/0/0gydF4y2Ba 1/1/0gydF4y2Ba
D7gydF4y2Ba 2/0/1gydF4y2Ba 3/0/0gydF4y2Ba 2/0/0gydF4y2Ba 1/0/0gydF4y2Ba 0/1/0gydF4y2Ba 0/0/0gydF4y2Ba 85/98 /gydF4y2Ba 99年gydF4y2Ba 3/0/0gydF4y2Ba 2/0/0gydF4y2Ba 2/1/0gydF4y2Ba
T62gydF4y2Ba 1/1/0gydF4y2Ba 1/0/0gydF4y2Ba 1/0/0gydF4y2Ba 1/1/0gydF4y2Ba 4/0/1gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 86/91 /gydF4y2Ba 99年gydF4y2Ba 4/4/0gydF4y2Ba 2/3/0gydF4y2Ba
ZILI131gydF4y2Ba 2/2/0gydF4y2Ba 0/1/0gydF4y2Ba 1/0/0gydF4y2Ba 2/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 4/0/0gydF4y2Ba 88/95 /gydF4y2Ba One hundred.gydF4y2Ba 3/2/0gydF4y2Ba
ZSU234gydF4y2Ba 1/0/0gydF4y2Ba 0/1/0gydF4y2Ba 4/0/1gydF4y2Ba 2/3/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/1/0gydF4y2Ba 1/0/0gydF4y2Ba 0/3/0gydF4y2Ba 92/92 /gydF4y2Ba 99年gydF4y2Ba
混淆矩阵的方法(gydF4y2Ba 2gydF4y2BaIGT),该方法gydF4y2Ba
车辆gydF4y2Ba BMP2gydF4y2Ba BTR70gydF4y2Ba T72gydF4y2Ba BTR60gydF4y2Ba 2 s1gydF4y2Ba BRDM2gydF4y2Ba D7gydF4y2Ba T62gydF4y2Ba ZILI131gydF4y2Ba ZSU234gydF4y2Ba
BMP2gydF4y2Ba 92/95 /gydF4y2Ba One hundred.gydF4y2Ba 2/1/0gydF4y2Ba 2/1/0gydF4y2Ba 0/0/0gydF4y2Ba 1/1/0gydF4y2Ba 2/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba
BTR70gydF4y2Ba 3/2/0gydF4y2Ba 93/94 /gydF4y2Ba One hundred.gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/00 /gydF4y2Ba 2/2/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 2/2/0gydF4y2Ba
T72gydF4y2Ba 2/2/0gydF4y2Ba 1/1/0gydF4y2Ba 96/96 /gydF4y2Ba One hundred.gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba
BTR60gydF4y2Ba 2/1/0gydF4y2Ba 0/0/0gydF4y2Ba 2/1/2gydF4y2Ba 93/97 /gydF4y2Ba 98年gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 3/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba
2 s1gydF4y2Ba 3/3/0gydF4y2Ba 4/4/0gydF4y2Ba 1/1/1gydF4y2Ba 0/0/0gydF4y2Ba 87/89 /gydF4y2Ba 99年gydF4y2Ba 2/0/0gydF4y2Ba 0/0/0gydF4y2Ba 2/1/0gydF4y2Ba 0/0/0gydF4y2Ba 1/2/0gydF4y2Ba
BRDM2gydF4y2Ba 5/2/1gydF4y2Ba 3/1/0gydF4y2Ba 2/4/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 85/90 /gydF4y2Ba 99年gydF4y2Ba 5/2/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/1/0gydF4y2Ba
D7gydF4y2Ba 0/0/1gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba 98 /gydF4y2Ba 99年gydF4y2Ba/gydF4y2Ba 99年gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 1/0/0gydF4y2Ba
T62gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/1gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 93/95 /gydF4y2Ba 99年gydF4y2Ba 3/3/0gydF4y2Ba 3/1/0gydF4y2Ba
ZILI131gydF4y2Ba 2/2/0gydF4y2Ba 2/2/0gydF4y2Ba 0/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 94/95 /gydF4y2Ba One hundred.gydF4y2Ba 2/0/0gydF4y2Ba
ZSU234gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/1gydF4y2Ba 1/1/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 0/0/0gydF4y2Ba 2/2/0gydF4y2Ba 96/96 /gydF4y2Ba 99年gydF4y2Ba

平均gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 这些5顺序方法是88.3%,90.1%,92.7%,94.6%,gydF4y2Ba 99.3%gydF4y2Ba。gydF4y2Ba

四个不同目标类参与以下测试:EOC-1,包括2 s1, BRDM2, T72, ZSU234,列在表中gydF4y2Ba 2gydF4y2Ba。所有这四类参与培训和测试阶段。唯一的区别是,训练和测试设置捕获下抑郁15°和30°角,分别。俯视角的增加变化分类问题引入了一个更大的挑战。它在桌子上gydF4y2Ba 9gydF4y2Ba,提到的大多数方法的分类精度在EOC-1低于88%,该方法的优越性(高于96%)是显而易见的。此外,该方法的平均分类精度为97.5%,远远高于其他上市的方法。gydF4y2Ba

EMACH混淆矩阵的方法(gydF4y2Ba 52gydF4y2Ba),方法(gydF4y2Ba 2gydF4y2BaIGT),该方法测试EOC-1 (gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba (%))。gydF4y2Ba

车辆gydF4y2Ba 2 s1gydF4y2Ba BRDM2gydF4y2Ba T72gydF4y2Ba ZSU234gydF4y2Ba
2 s1gydF4y2Ba 67/74/77/78 /gydF4y2Ba 99年gydF4y2Ba 15/8/5/6/0gydF4y2Ba 12/9/11/9/1gydF4y2Ba 6/9/7/7/0gydF4y2Ba
BRDM2gydF4y2Ba 17/12/15/15/2gydF4y2Ba 57/66/73/76 /gydF4y2Ba 97年gydF4y2Ba 19/9/5/6/1gydF4y2Ba 7/13/7/3/0gydF4y2Ba
T72gydF4y2Ba 7/17/11/10/0gydF4y2Ba 9/6/9/9/0gydF4y2Ba 66/73/75/78 /gydF4y2Ba 96年gydF4y2Ba 18/4/5/3/4gydF4y2Ba
ZSU234gydF4y2Ba 10/7/4/5/1gydF4y2Ba 7/5/6/5/0gydF4y2Ba 2/3/2/2/1gydF4y2Ba 81/85/88/88 /gydF4y2Ba 98年gydF4y2Ba

平均gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 这些5顺序方法是67.75%,74.5%,78.25%,80.0%,gydF4y2Ba 97.5%gydF4y2Ba。gydF4y2Ba

训练数据集下EOC-2由四个不同的目标类,BMP2, BRDM2, BTR70 T72,总结如表gydF4y2Ba 2gydF4y2Ba。这个测试旨在测试SAR ATR算法性能的显著不同的序列号和配置。测试集只有T72家族与五种不同的序列号和训练集是由所有提到这四类。此外,训练集得到的测试为17°,在抑郁症的角度设置了15°和17°如表所示gydF4y2Ba 3gydF4y2Ba。表gydF4y2Ba 10gydF4y2Ba列出了EOC-2下提到的方法的性能比较。分类精度的提高是实质性以来的平均水平gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 该方法的第二最高是96.9%,远高于84.8%。gydF4y2Ba

EMACH混淆矩阵的方法(gydF4y2Ba 52gydF4y2Ba),方法(gydF4y2Ba 2gydF4y2BaIGT),该方法测试EOC-2 (gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba (%))。gydF4y2Ba

车辆gydF4y2Ba BMP2gydF4y2Ba BRDM2gydF4y2Ba BTR70gydF4y2Ba T72gydF4y2Ba
T72_S7gydF4y2Ba 4/5/4/5/0gydF4y2Ba 8/4/6/4/2gydF4y2Ba 6/4/2/3/1gydF4y2Ba 82/87/88/88 /gydF4y2Ba 97年gydF4y2Ba
T72_A32gydF4y2Ba 9/7/5/6/0gydF4y2Ba 5/5/8/3/0gydF4y2Ba 5/2/3/2/0gydF4y2Ba 81/86/84/89 /gydF4y2Ba 99年gydF4y2Ba
T72_A62gydF4y2Ba 8/7/6/5/0gydF4y2Ba 6/5/5/4/1gydF4y2Ba 3/6/4/4/3gydF4y2Ba 83/84/85/87 /gydF4y2Ba 97年gydF4y2Ba
T72_A63gydF4y2Ba 13/15/11/7/0gydF4y2Ba 6/6/9/5/1gydF4y2Ba 11/3/4/7/2gydF4y2Ba 70/76/76/81 /gydF4y2Ba 97年gydF4y2Ba
T72_A64gydF4y2Ba 16/9/10/11/0gydF4y2Ba 4/5/5/4/2gydF4y2Ba 12/13/9/6/3gydF4y2Ba 68/73/76/79 /gydF4y2Ba 94年gydF4y2Ba

平均gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 这些5顺序方法是76.8%,81.2%,81.8%,84.8%,gydF4y2Ba 96.9%gydF4y2Ba。gydF4y2Ba

 5.6。性能比较的目标带来的变化gydF4y2Ba

在分析部分gydF4y2Ba 5。4gydF4y2Ba,提出整改的参与有利于提高分类性能。事实上,一个目标会表现出不同的表象时捕获在各种姿势。在本节中,我们进行一个实验来测试引入的外观差异造成的影响变化。实验数据库几乎是一样的数据列在表中gydF4y2Ba 1gydF4y2Ba除了只有一个序列号的每个目标涉及到培训和测试(C21 BMP2和S7 T72)。培训数据库的图像选择培训不同样品的步骤的目标提出了(不同的从1°7°),51的图片在哪里选择每个目标的培训。例如,步的姿势gydF4y2Ba 1gydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 51gydF4y2Ba °gydF4y2Ba ,提出了一步gydF4y2Ba 2gydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 3gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 101年gydF4y2Ba °gydF4y2Ba ,提出了一步gydF4y2Ba 7gydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 8gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 351年gydF4y2Ba °gydF4y2Ba 。此外,我们还研究了训练分类器使用培训数据库的可能性大小不同,例如,51训练图像,60训练图像,71训练图像和85训练图像。特征提取与小波768和减少到55的维度。结果见图gydF4y2Ba 17gydF4y2Ba。gydF4y2Ba

性能比较的训练数据选择不同的目标提出了渐进步骤。gydF4y2Ba

这是表示在图gydF4y2Ba 17gydF4y2Ba提出了增量步的增加,分类精度实现增长。更具体地说,一个高得多gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 的gydF4y2Ba 90.3gydF4y2Ba %gydF4y2Ba 是通过使用51和增量步训练图像吗gydF4y2Ba 7gydF4y2Ba 相比,一个姿势gydF4y2Ba PgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 的gydF4y2Ba 42.9gydF4y2Ba %gydF4y2Ba 通过使用85训练图像渐进步骤gydF4y2Ba 1gydF4y2Ba 在构成。这一观点背后的原理是:训练数据集形成小姿势变化的步骤可以提供目标信号信息较少,因此,他们的内容不够充分覆盖的不同表象下目标捕获各种姿势。相反,一个更完整的训练数据集时可以形成较大的涉及捕获图像构成的变化。实验结果图gydF4y2Ba 17gydF4y2Ba表明,最佳的分类性能90.3%达到培训时使用增量步51图像捕获gydF4y2Ba 7gydF4y2Ba 与85年实现当培训和93.0%使用增量步图像捕获gydF4y2Ba 4gydF4y2Ba 。而且,很容易发现更好的分类性能总是取得培训较大量的图片。值得指出的是,只有一小部分图像参与培训的阶段而不是几百人在以前的测试中使用。这是一个有前途的结果意味着一个好的分类结果可以达到甚至更少数量的训练图像,只要他们用适当的增量捕获步骤。gydF4y2Ba

 6。结论gydF4y2Ba

在本文中,我们提出了一个系统的方案SAR ATR的任务。该方案包括三个主要阶段:预处理、特征提取和处理,分类器结构。涉及几种预处理方法的有效性(例如,图像能量归一化和提出整改过程)分析和实际验证。研究结果表明,这些预处理步骤的参与有利于提高分类精度。此外,我们提出了扩大歧视的特性集提供更多信息,然后消除冗余和维数的扩展特性集形成一个更紧凑和高效的特性。最后,歧视的树木学作为基分类器,结合构造一个强分类器通过使用Real-AdaBoost算法。该方法是在各种操作条件下评估MSTAR数据集。实验结果表明,该方法优于传统的方法,例如,EMACH,支持向量机,神经网络和IGT。该方法的优点给信贷减少变化的目标图像,改善功能效率,消除冗余的特性集,和良好的泛化能力强分类器相结合。此外,我们已经测试了分类器的分类性能训练目标的不同组合构成。实验结果表明,分类器训练与训练图像覆盖大目标姿态变化可以产生好的分类结果即使有有限数量的训练图像。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作是支持的欧盟H2020忒耳西科瑞项目”将无形民俗表演艺术转变为有形的舞台舞蹈的数字对象”691218年根据授权协议。gydF4y2Ba

 OchilovgydF4y2Ba 年代。gydF4y2Ba ClausigydF4y2Ba d . A。gydF4y2Ba 运行SAR海冰图像分类gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2012年gydF4y2Ba 50gydF4y2Ba 11gydF4y2Ba 4397年gydF4y2Ba 4408年gydF4y2Ba 2 - s2.0 - 84869502646gydF4y2Ba 10.1109 / TGRS.2012.2192278gydF4y2Ba 太阳gydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba z . P。gydF4y2Ba TodorovicgydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba j . N。gydF4y2Ba 自适应提高SAR自动目标识别gydF4y2Ba IEEE航空航天和电子系统gydF4y2Ba 2007年gydF4y2Ba 43gydF4y2Ba 1gydF4y2Ba 112年gydF4y2Ba 125年gydF4y2Ba 10.1109 / taes.2007.357120gydF4y2Ba 2 - s2.0 - 34248636550gydF4y2Ba 公园gydF4y2Ba 我。gydF4y2Ba 金gydF4y2Ba K.-T。gydF4y2Ba 修改极坐标映射为SAR自动目标识别分类器gydF4y2Ba IEEE航空航天和电子系统gydF4y2Ba 2014年gydF4y2Ba 50gydF4y2Ba 2gydF4y2Ba 1092年gydF4y2Ba 1107年gydF4y2Ba 2 - s2.0 - 84904740760gydF4y2Ba 10.1109 / TAES.2013.120378gydF4y2Ba AytekingydF4y2Ba O。gydF4y2Ba KocgydF4y2Ba M。gydF4y2Ba UlusoygydF4y2Ba 我。gydF4y2Ba 当地的原始模式SAR图像的分类gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2013年gydF4y2Ba 51gydF4y2Ba 4gydF4y2Ba 2431年gydF4y2Ba 2441年gydF4y2Ba 2 - s2.0 - 84875727767gydF4y2Ba 10.1109 / TGRS.2012.2210428gydF4y2Ba SandirasegaramgydF4y2Ba n·M。gydF4y2Ba 现货SAR ATR使用小波的特性和神经网络分类器gydF4y2Ba 2005年gydF4y2Ba 报告。DTIC文档gydF4y2Ba AmoongydF4y2Ba M。gydF4y2Ba Rezai-radgydF4y2Ba G.-A。gydF4y2Ba 自动目标识别的合成孔径雷达(SAR)图像的基于最优选择泽尼克时刻特性gydF4y2Ba 专业计算机视觉gydF4y2Ba 2014年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 77年gydF4y2Ba 85年gydF4y2Ba 2 - s2.0 - 84897057812gydF4y2Ba 10.1049 / iet-cvi.2013.0027gydF4y2Ba 克莱门特gydF4y2Ba C。gydF4y2Ba 帕洛塔gydF4y2Ba lgydF4y2Ba ProudlergydF4y2Ba 我。gydF4y2Ba de MaiogydF4y2Ba 一个。gydF4y2Ba SoraghangydF4y2Ba J·J。gydF4y2Ba 淀粉gydF4y2Ba 一个。gydF4y2Ba Pseudo-Zernike-based多次从多通道合成孔径雷达自动目标识别gydF4y2Ba 专业雷达、声纳、导航gydF4y2Ba 2015年gydF4y2Ba 9gydF4y2Ba 4gydF4y2Ba 457年gydF4y2Ba 466年gydF4y2Ba 2 - s2.0 - 84925849006gydF4y2Ba 10.1049 / iet-rsn.2014.0296gydF4y2Ba 朱gydF4y2Ba C。gydF4y2Ba 周gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba R。gydF4y2Ba 郭gydF4y2Ba J。gydF4y2Ba 小说等级船舶从星载光学图像检测方法基于形状和纹理特征gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2010年gydF4y2Ba 48gydF4y2Ba 9gydF4y2Ba 3446年gydF4y2Ba 3456年gydF4y2Ba 2 - s2.0 - 77956059560gydF4y2Ba 10.1109 / TGRS.2010.2046330gydF4y2Ba JianxionggydF4y2Ba Z。gydF4y2Ba ZhiguanggydF4y2Ba 年代。gydF4y2Ba 肖gydF4y2Ba C。gydF4y2Ba 羌族gydF4y2Ba F。gydF4y2Ba SAR图像的自动目标识别基于全球散射中心模型gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2011年gydF4y2Ba 49gydF4y2Ba 10gydF4y2Ba 3713年gydF4y2Ba 3729年gydF4y2Ba 2 - s2.0 - 80053560936gydF4y2Ba 10.1109 / TGRS.2011.2162526gydF4y2Ba GiustigydF4y2Ba E。gydF4y2Ba MartorellagydF4y2Ba M。gydF4y2Ba CapriagydF4y2Ba 一个。gydF4y2Ba Polarimetrically-persistent-scatterer-based自动目标识别gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2011年gydF4y2Ba 49gydF4y2Ba 11gydF4y2Ba 4588年gydF4y2Ba 4599年gydF4y2Ba 2 - s2.0 - 80455160267gydF4y2Ba 10.1109 / TGRS.2011.2164804gydF4y2Ba 公园gydF4y2Ba 我。gydF4y2Ba 公园gydF4y2Ba 工程学系。gydF4y2Ba 金gydF4y2Ba K.-T。gydF4y2Ba 新的歧视特性对SAR自动目标识别gydF4y2Ba IEEE地球科学和遥感信gydF4y2Ba 2013年gydF4y2Ba 10gydF4y2Ba 3gydF4y2Ba 476年gydF4y2Ba 480年gydF4y2Ba 2 - s2.0 - 84870552741gydF4y2Ba 10.1109 / LGRS.2012.2210385gydF4y2Ba 越南盾gydF4y2Ba G。gydF4y2Ba 王gydF4y2Ba N。gydF4y2Ba 旷gydF4y2Ba G。gydF4y2Ba 单基因信号的稀疏表示:与应用程序在SAR图像目标识别gydF4y2Ba IEEE信号处理信件gydF4y2Ba 2014年gydF4y2Ba 21gydF4y2Ba 8gydF4y2Ba 952年gydF4y2Ba 956年gydF4y2Ba 2 - s2.0 - 84906782155gydF4y2Ba 10.1109 / LSP.2014.2321565gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 常gydF4y2Ba H。gydF4y2Ba 刘gydF4y2Ba T。gydF4y2Ba 当地判别嵌入及其变体gydF4y2Ba 2gydF4y2Ba 《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05)gydF4y2Ba 2005年6月gydF4y2Ba 846年gydF4y2Ba 853年gydF4y2Ba 10.1109 / CVPR.2005.216gydF4y2Ba 2 - s2.0 - 24644496298gydF4y2Ba DornaikagydF4y2Ba F。gydF4y2Ba BosaghzadehgydF4y2Ba 一个。gydF4y2Ba 当地指数判别嵌入及其在人脸识别中的应用gydF4y2Ba IEEE控制论gydF4y2Ba 2013年gydF4y2Ba 43gydF4y2Ba 3gydF4y2Ba 921年gydF4y2Ba 934年gydF4y2Ba 2 - s2.0 - 84880936263gydF4y2Ba 10.1109 / TSMCB.2012.2218234gydF4y2Ba 方gydF4y2Ba X。gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 方ydF4y2Ba Z。gydF4y2Ba 刘gydF4y2Ba H。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 位置和相似性保持嵌入特征选择gydF4y2Ba NeurocomputinggydF4y2Ba 2014年gydF4y2Ba 128年gydF4y2Ba 304年gydF4y2Ba 315年gydF4y2Ba 2 - s2.0 - 84893654461gydF4y2Ba 10.1016 / j.neucom.2013.08.040gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 黄gydF4y2Ba y L。gydF4y2Ba 裴gydF4y2Ba j·F。gydF4y2Ba 杨gydF4y2Ba j . Y。gydF4y2Ba SAR ATR的示例判别分析gydF4y2Ba IEEE地球科学和遥感信gydF4y2Ba 2014年gydF4y2Ba 11gydF4y2Ba 12gydF4y2Ba 2120年gydF4y2Ba 2124年gydF4y2Ba 10.1109 / lgrs.2014.2321164gydF4y2Ba 2 - s2.0 - 84903523889gydF4y2Ba 黄gydF4y2Ba Y。gydF4y2Ba 规划环评gydF4y2Ba J。gydF4y2Ba YangagydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba B。gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 邻域的几何中心扩展嵌入SAR ATRgydF4y2Ba IEEE航空航天和电子系统gydF4y2Ba 2014年gydF4y2Ba 50gydF4y2Ba 1gydF4y2Ba 180年gydF4y2Ba 192年gydF4y2Ba 10.1109 / taes.2013.110769gydF4y2Ba 2 - s2.0 - 84900863340gydF4y2Ba 赵gydF4y2Ba X。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba StathakigydF4y2Ba T。gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 步态识别方法使用外观转换机连续任意行走路径gydF4y2Ba NeurocomputinggydF4y2Ba 2016年gydF4y2Ba 173年gydF4y2Ba 530年gydF4y2Ba 540年gydF4y2Ba 2 - s2.0 - 84959274420gydF4y2Ba 10.1016 / j.neucom.2015.07.012gydF4y2Ba 赵gydF4y2Ba X。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba W.-Q。gydF4y2Ba 高效的杂波抑制SAR图像与脱落不相关的模式gydF4y2Ba IEEE地球科学和遥感信gydF4y2Ba 2015年gydF4y2Ba 12gydF4y2Ba 9gydF4y2Ba 1828年gydF4y2Ba 1832年gydF4y2Ba 2 - s2.0 - 84939204974gydF4y2Ba 10.1109 / LGRS.2015.2430366gydF4y2Ba 兴gydF4y2Ba X。gydF4y2Ba 霁gydF4y2Ba K。gydF4y2Ba 邹gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 基于稀疏表示的sar车辆识别和视线角gydF4y2Ba 科学世界日报gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 174年gydF4y2Ba 175年gydF4y2Ba 834140年gydF4y2Ba 10.1155 / 2014/834140gydF4y2Ba 2 - s2.0 - 84900030342gydF4y2Ba AkbarizadehgydF4y2Ba G。gydF4y2Ba 一个新的statistical-based峰度纹理识别的SAR图像小波能量特征gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2012年gydF4y2Ba 50gydF4y2Ba 11gydF4y2Ba 4358年gydF4y2Ba 4368年gydF4y2Ba 10.1109 / tgrs.2012.2194787gydF4y2Ba 2 - s2.0 - 84869509888gydF4y2Ba BruzzonegydF4y2Ba lgydF4y2Ba MarconcinigydF4y2Ba M。gydF4y2Ba WegmullergydF4y2Ba U。gydF4y2Ba WiesmanngydF4y2Ba 一个。gydF4y2Ba 一个先进的系统多瞬时SAR图像的自动分类gydF4y2Ba IEEE地球科学和遥感gydF4y2Ba 2004年gydF4y2Ba 42gydF4y2Ba 6gydF4y2Ba 1321年gydF4y2Ba 1334年gydF4y2Ba 2 - s2.0 - 3042559631gydF4y2Ba 10.1109 / TGRS.2004.826821gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 汉gydF4y2Ba P。gydF4y2Ba 陆gydF4y2Ba X。gydF4y2Ba 吴gydF4y2Ba R。gydF4y2Ba 黄gydF4y2Ba J。gydF4y2Ba 演算法的性能比较,支持向量机应用于SAR ATRgydF4y2Ba 诉讼的CIE雷达(ICR 06年)国际会议上gydF4y2Ba 2006年10月gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 10.1109 / icr.2006.343515gydF4y2Ba 2 - s2.0 - 34547660269gydF4y2Ba 斯gydF4y2Ba U。gydF4y2Ba MongagydF4y2Ba V。gydF4y2Ba 拉吉gydF4y2Ba r·G。gydF4y2Ba 使用有识别力的图形模型SAR自动目标识别gydF4y2Ba IEEE航空航天和电子系统gydF4y2Ba 2014年gydF4y2Ba 50gydF4y2Ba 1gydF4y2Ba 591年gydF4y2Ba 606年gydF4y2Ba 2 - s2.0 - 84900565951gydF4y2Ba 10.1109 / TAES.2013.120340gydF4y2Ba MallatgydF4y2Ba s G。gydF4y2Ba 多分辨率信号分解的理论:小波表示gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 1989年gydF4y2Ba 11gydF4y2Ba 7gydF4y2Ba 674年gydF4y2Ba 693年gydF4y2Ba 2 - s2.0 - 0024700097gydF4y2Ba 10.1109/34.192463gydF4y2Ba Zbl0709.94650gydF4y2Ba 邱gydF4y2Ba C。gydF4y2Ba 任gydF4y2Ba H。gydF4y2Ba 邹gydF4y2Ba H。gydF4y2Ba 周gydF4y2Ba 年代。gydF4y2Ba 性能比较SAR图像目标分类的基于PCA和2 d-pca特性gydF4y2Ba 学报2009年亚太会议在合成孔径雷达,APSAR 2009gydF4y2Ba 2009年10月gydF4y2Ba 中国gydF4y2Ba 868年gydF4y2Ba 871年gydF4y2Ba 2 - s2.0 - 77949639810gydF4y2Ba 10.1109 / APSAR.2009.5374193gydF4y2Ba SchapiregydF4y2Ba r·E。gydF4y2Ba 歌手gydF4y2Ba Y。gydF4y2Ba 改善提高使用confidence-rated预测算法gydF4y2Ba 机器学习gydF4y2Ba 1999年gydF4y2Ba 37gydF4y2Ba 3gydF4y2Ba 297年gydF4y2Ba 336年gydF4y2Ba 2 - s2.0 - 0033281701gydF4y2Ba 10.1023 /:1007614523901gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 林gydF4y2Ba H。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 影响功能正常化的光学和SAR数据融合为土地利用/土地覆盖分类gydF4y2Ba IEEE地球科学和遥感信gydF4y2Ba 2015年gydF4y2Ba 12gydF4y2Ba 5gydF4y2Ba 1061年gydF4y2Ba 1065年gydF4y2Ba 2 - s2.0 - 84923094028gydF4y2Ba 10.1109 / LGRS.2014.2377722gydF4y2Ba 赵gydF4y2Ba Q。gydF4y2Ba 徐gydF4y2Ba D。gydF4y2Ba 普林西比岛gydF4y2Ba j . C。gydF4y2Ba 姿势估计SAR自动目标识别gydF4y2Ba 程序的图像理解车间gydF4y2Ba 1999年gydF4y2Ba 827年gydF4y2Ba 832年gydF4y2Ba 普林西比岛gydF4y2Ba j . C。gydF4y2Ba 徐gydF4y2Ba D。gydF4y2Ba 费雪gydF4y2Ba j·W。gydF4y2Ba 三世gydF4y2Ba 姿势估计SAR使用信息的理论标准gydF4y2Ba 程序合成孔径雷达成像算法的VgydF4y2Ba 1998年4月gydF4y2Ba 美国gydF4y2Ba 218年gydF4y2Ba 229年gydF4y2Ba 2 - s2.0 - 0009600989gydF4y2Ba 10.1117/12.321826gydF4y2Ba 卡普兰gydF4y2Ba l . M。gydF4y2Ba MurenzigydF4y2Ba R。gydF4y2Ba 姿势估计使用二维连续小波变换的SAR图像gydF4y2Ba 模式识别的字母gydF4y2Ba 2003年gydF4y2Ba 24gydF4y2Ba 14gydF4y2Ba 2269年gydF4y2Ba 2280年gydF4y2Ba 2 - s2.0 - 0041840377gydF4y2Ba 10.1016 / s0167 - 8655 (03) 00053 - 9gydF4y2Ba VoicugydF4y2Ba lgydF4y2Ba 巴顿gydF4y2Ba R。gydF4y2Ba 迈勒gydF4y2Ba H。gydF4y2Ba SAR-ATR Multi-criterion车辆姿态估计gydF4y2Ba 372110年gydF4y2Ba 在学报学报——国际光学工程学会gydF4y2Ba HelgasongydF4y2Ba 年代。gydF4y2Ba 氡变换gydF4y2Ba 数学的进展gydF4y2Ba 2009年gydF4y2Ba 13gydF4y2Ba 89年gydF4y2Ba 81年gydF4y2Ba 133年gydF4y2Ba 杜桑gydF4y2Ba G。gydF4y2Ba 与旋转卡钳解决几何问题gydF4y2Ba 诉讼MELECON地中海83年,电工的会议gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 陈gydF4y2Ba 年代。gydF4y2Ba 棕褐色gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 评论最大的高效和健壮的特征提取保证金标准”gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2007年gydF4y2Ba 18gydF4y2Ba 6gydF4y2Ba 1862年gydF4y2Ba 1864年gydF4y2Ba 10.1109 / TNN.2007.900813gydF4y2Ba 2 - s2.0 - 36348944726gydF4y2Ba 认可gydF4y2Ba 年代。gydF4y2Ba 棕褐色gydF4y2Ba V。gydF4y2Ba WillskygydF4y2Ba 一个。gydF4y2Ba 学习图形模型假设检验gydF4y2Ba 学报2007年IEEE / SP 14车间统计信号处理,SSP 2007gydF4y2Ba 2007年8月gydF4y2Ba 美国gydF4y2Ba 69年gydF4y2Ba 73年gydF4y2Ba 2 - s2.0 - 47849092316gydF4y2Ba 10.1109 / SSP.2007.4301220gydF4y2Ba 棕褐色gydF4y2Ba 诉Y。gydF4y2Ba 认可gydF4y2Ba 年代。gydF4y2Ba 费雪gydF4y2Ba 我。gydF4y2Ba WillskygydF4y2Ba 答:S。gydF4y2Ba 学习图形模型假设检验和分类gydF4y2Ba IEEE信号处理gydF4y2Ba 2010年gydF4y2Ba 58gydF4y2Ba 11gydF4y2Ba 5481年gydF4y2Ba 5495年gydF4y2Ba MR2789596gydF4y2Ba 10.1109 / TSP.2010.2059019gydF4y2Ba 2 - s2.0 - 79953814103gydF4y2Ba 封面gydF4y2Ba t M。gydF4y2Ba 托马斯。gydF4y2Ba j . A。gydF4y2Ba 信息理论的元素gydF4y2Ba 2012年gydF4y2Ba 2日gydF4y2Ba 纽约,美国gydF4y2Ba Wiley-Interscience出版gydF4y2Ba MR2239987gydF4y2Ba LauritzengydF4y2Ba 年代。gydF4y2Ba 图形化的模型gydF4y2Ba 1996年gydF4y2Ba 牛津大学,英国gydF4y2Ba 牛津大学出版社gydF4y2Ba 周润发gydF4y2Ba C。gydF4y2Ba 刘gydF4y2Ba C。gydF4y2Ba 近似离散概率分布与依赖树gydF4y2Ba IEEE信息理论gydF4y2Ba 1968年gydF4y2Ba 14gydF4y2Ba 3gydF4y2Ba 462年gydF4y2Ba 467年gydF4y2Ba 10.1109 / TIT.1968.1054142gydF4y2Ba 克鲁斯卡尔gydF4y2Ba J。gydF4y2Ba 的最短生成子树图和旅行商问题gydF4y2Ba 美国数学学会学报》上gydF4y2Ba 1956年gydF4y2Ba 7gydF4y2Ba 48gydF4y2Ba 50gydF4y2Ba MR0078686gydF4y2Ba 10.1090 / s0002 - 9939 - 1956 - 0078686 - 7gydF4y2Ba 2 - s2.0 - 70350674995gydF4y2Ba 10.2307 / 2033241gydF4y2Ba KullbackgydF4y2Ba 年代。gydF4y2Ba 信息理论和统计gydF4y2Ba 1959年gydF4y2Ba 纽约,美国gydF4y2Ba Wiley-Interscience出版gydF4y2Ba SchapiregydF4y2Ba r·E。gydF4y2Ba 弗洛伊德gydF4y2Ba Y。gydF4y2Ba 巴特利特gydF4y2Ba P。gydF4y2Ba 李gydF4y2Ba w·S。gydF4y2Ba 提高保证金:一个新的解释投票方法的有效性gydF4y2Ba 统计年报gydF4y2Ba 1998年gydF4y2Ba 26gydF4y2Ba 5gydF4y2Ba 1651年gydF4y2Ba 1686年gydF4y2Ba MR1673273gydF4y2Ba 10.1214 /市场/ 1024691352gydF4y2Ba 弗里德曼gydF4y2Ba J。gydF4y2Ba 黑斯蒂gydF4y2Ba T。gydF4y2Ba TibshiranigydF4y2Ba R。gydF4y2Ba 添加剂逻辑回归:统计视图增加(由作者讨论和回答)gydF4y2Ba 统计年报gydF4y2Ba 2000年gydF4y2Ba 28gydF4y2Ba 2gydF4y2Ba 337年gydF4y2Ba 407年gydF4y2Ba 10.1214 /市场/ 1016218223gydF4y2Ba MR1790002gydF4y2Ba 中提琴gydF4y2Ba P。gydF4y2Ba 琼斯gydF4y2Ba M。gydF4y2Ba 强大的实时检测gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 4gydF4y2Ba 51gydF4y2Ba 52gydF4y2Ba VezhnevetsgydF4y2Ba 一个。gydF4y2Ba VezhnevetsgydF4y2Ba V。gydF4y2Ba 适度AdaBoost-teaching演算法更好地推广gydF4y2Ba GraphicongydF4y2Ba 2005年gydF4y2Ba 12987年gydF4y2Ba 12997年gydF4y2Ba 吴gydF4y2Ba 年代。gydF4y2Ba NagahashigydF4y2Ba H。gydF4y2Ba 一种新方法解决过度拟合问题的温和的演算法gydF4y2Ba 学报》第五届国际会议上的图形和图像处理,ICGIP 2013gydF4y2Ba 2013年10月gydF4y2Ba 中国gydF4y2Ba 2 - s2.0 - 84894178824gydF4y2Ba 10.1117/12.2050093gydF4y2Ba 米尔格拉姆gydF4y2Ba J。gydF4y2Ba CherietgydF4y2Ba M。gydF4y2Ba SabouringydF4y2Ba R。gydF4y2Ba 加快支持向量分类器的决策gydF4y2Ba 《第九次国际研讨会在手写识别领域gydF4y2Ba 日本东京gydF4y2Ba 57gydF4y2Ba 62年gydF4y2Ba 10.1109 / IWFHR.2004.95gydF4y2Ba 金属氧化物半导体gydF4y2Ba j . C。gydF4y2Ba 罗斯gydF4y2Ba t D。gydF4y2Ba 一个对MSTAR SAR ATR算法性能评估敏感扩展操作条件gydF4y2Ba 程序合成孔径雷达成像算法的VgydF4y2Ba 1998年4月gydF4y2Ba 美国gydF4y2Ba 554年gydF4y2Ba 565年gydF4y2Ba 2 - s2.0 - 0037984000gydF4y2Ba 10.1117/12.321858gydF4y2Ba 罗斯gydF4y2Ba T。gydF4y2Ba WorrellgydF4y2Ba 年代。gydF4y2Ba VeltengydF4y2Ba V。gydF4y2Ba 金属氧化物半导体gydF4y2Ba J。gydF4y2Ba 科比gydF4y2Ba M。gydF4y2Ba 标准评价实验利用MSTAR SAR ATR公开发布的数据集gydF4y2Ba 程序合成孔径雷达成像算法的VgydF4y2Ba 1998年4月gydF4y2Ba 美国gydF4y2Ba 566年gydF4y2Ba 573年gydF4y2Ba 2 - s2.0 - 0037646085gydF4y2Ba 10.1117/12.321859gydF4y2Ba 罗斯gydF4y2Ba t D。gydF4y2Ba 金属氧化物半导体gydF4y2Ba c·J。gydF4y2Ba MSTAR评价方法gydF4y2Ba AeroSense 99gydF4y2Ba 1999年gydF4y2Ba 国际社会对光学和光子学gydF4y2Ba 705年gydF4y2Ba 713年gydF4y2Ba 赵gydF4y2Ba Q。gydF4y2Ba 普林西比岛gydF4y2Ba j . C。gydF4y2Ba 支持向量机对SAR自动目标识别gydF4y2Ba IEEE航空航天和电子系统gydF4y2Ba 2001年gydF4y2Ba 37gydF4y2Ba 2gydF4y2Ba 643年gydF4y2Ba 654年gydF4y2Ba 2 - s2.0 - 0035300682gydF4y2Ba 10.1109/7.937475gydF4y2Ba 辛格gydF4y2Ba R。gydF4y2Ba Vijaya库马尔gydF4y2Ba b . v . K。gydF4y2Ba 性能扩展的最大平均高度相关性(EMACH)滤波器和多项式距离分类器相关滤波器(PDCCF)多层次SAR探测和分类gydF4y2Ba 学报——国际光学工程学会学报》上gydF4y2Ba 2002年gydF4y2Ba 4727年gydF4y2Ba 265年gydF4y2Ba 276年gydF4y2Ba 2 - s2.0 - 0036907385gydF4y2Ba 10.1117/12.478684gydF4y2Ba