SP 科学的规划 1875 - 919 x 1058 - 9244 Hindawi 10.1155 / 2020/7380790 7380790 研究文章 在SAR图像目标识别与基于多分辨率表示2 d典型相关分析 https://orcid.org/0000 - 0001 - 6164 - 668 x 棕褐色 小菁 1 邹 明 2 他 Xiqin 1 Luszczek 彼得亚雷 1 闽南科技大学 石狮362700 中国 2 国家能源神华Funeng发电有限公司。 石狮362700 中国 2020年 24 2 2020年 2020年 30. 11 2019年 06 01 2020年 24 2 2020年 2020年 版权©2020小菁Tan et al。 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。

本研究提出了一种合成孔径雷达(SAR)基于融合特征的目标识别方法从多分辨率表示2 d典型相关分析(2 dcca)。多分辨率表示比仅仅展示了更有识别力的原始图像。所以,联合多分辨率表示的分类有利于增强SAR目标识别性能。2 dcca能够利用多分辨率表示的内在相关性的同时大大降低了冗余。因此,融合特性可以有效地传达的歧视能力多分辨率表示的存储和计算负担,缓解由原来的高维度。在分类阶段,稀疏表示分类(SRC)被用来分类融合功能。SRC是一种有效的和健壮的分类器,已广泛验证之前的作品。运动和静止目标获取与识别(MSTAR)数据集被用来评估该方法。根据实验结果,该方法可以达到97.63%的识别率高的10类目标标准操作条件下(SOC)。扩展操作条件下(转换端)像配置方差,俯角方差,该方法的鲁棒性也形特征验证。 In comparison with some other SAR target recognition methods, the superiority of the proposed method can be effectively demonstrated.

 教育部,福建省 JT180695 福建大学重点实验室项目 103年 应用学科建设的福建Province-Electric工程项目的学院和大学 1。介绍

合成孔径雷达(SAR)中扮演一个重要的角色在现代战场监视由于其全天的,全天候功能等。自动目标识别(ATR)一直在SAR图像判读一个热门话题,因为它在1990年代首次研究[ 1]。作为一个典型的监管模式识别问题,具体的SAR ATR算法通常涉及两个关键技术,即。特征提取和分类。从原始SAR图像特征提取寻求有识别力的表征,可以更好的体现目标的属性。在现阶段,可用的功能,为SAR ATR通常可以分为三个类别。第一个描述目标的几何性质包括二进制目标区域( 2- - - - - - 4,目标轮廓 5),和目标的影子 6]。丁等人提出了一种二进制区域匹配算法与应用程序SAR目标识别( 2]。在[ 3),泽尼克时刻被用来描述二元从SAR图像目标区域。Anagnostopoulos说道采用轮廓描述符作为SAR ATR的基本特征( 5]。在SAR图像目标的阴影的调查中( 6对目标识别)。第二类主要描述了原始SAR图像的强度歧视使用一些数学工具或信号处理技术( 7- - - - - - 12]。在[ 7),主成分分析(PCA)和线性判别分析(LDA)被用于SAR图像特征提取。崔等人应用了非负矩阵factorisation (NMF) SAR ATR ( 8]。一些流形学习算法也被证明是有效的特征提取SAR图像( 9, 10]。东等人介绍了2 d单基因信号压缩研究SAR图像的光谱特性( 11, 12]。最后一个反映了电磁特征的SAR目标( 13- - - - - - 17]。在高频区域,整个目标的后向散射可以建模为几个当地现象的总和,即。、散射中心( 13]。在[ 14),一个贝叶斯匹配方案设计为SAR ATR属性散射中心。丁等人开发了几种不同的方式应用到SAR目标属性散射中心的识别利用当地的结构属性散射中心的设置。

根据提取的特征,不同的分类方案设计决策目标标签。在早期阶段,采用模板匹配与模板匹配测试样本的评价它们之间的强度差异。从本质上讲,这是一个最近邻分类器(NN)。作为神经网络的修改版本, K最近的邻居(资讯)是用来分类的PCA和LDA特性( 7]。赵和普林西比应用支持向量机(SVM)的SAR目标识别,和它展示了良好的性能 18]。从那时起,许多SAR ATR方法采用支持向量机作为基本分类器分类不同的特性,例如,地区的时刻( 3[],轮廓描述符 5),和投影特征( 19]。稀疏表示分类(SRC)是基于压缩传感理论开发的,它已经成功地应用于模式识别应用程序,例如,人脸识别( 20.和SAR目标识别 21][ 22]。在几个工作验证,SRC是一种有效的SAR ATR和健壮的分类器。在[ 21),Thiagaraianm等人介绍了SRC SAR ATR通过分类随机投影特性。歌等人进一步研究SRC的性能在不同的特性,利用主成分分析法(PCA)提取采样下来等等。董和旷SRC为单基因的基本分类器组件( 11]。深度学习的出现引发了一波又一波的人工智能和机器学习 23, 24]。作为典型代表,卷积神经网络(CNN)已经广泛应用于图像判读的领域包括SAR ATR ( 25- - - - - - 28]。几种不同的网络是为了提高SAR ATR性能。陈等人提出了SAR ATR all-convolutional网络从而大大减少了参数。在[ 26),SVM结合CNN提高SAR ATR性能。

本研究提出了一种基于多分辨率的融合特征的SAR ATR方法表示2 d典型相关分析(2 dcca) ( 29日]。在前面的工作中,SAR ATR的多分辨率表示被证明有效。在[ 30.),被SRC独立分类的多分辨率表示,他们的研究结果结合使用score-level融合。为了捕获不同分辨率的内在相关性,联合采用联合稀疏表示分类的所有决议( 31日]。此外,考虑到可能会有一些分辨率较低的辨别力,之前的歧视分析联合稀疏表示的多分辨率表示 32]。然后,只有那些高度歧视决议用于最后的决定。这些作品有效提高SAR ATR性能。然而,他们确实有一些短缺。首先,内部不能充分利用多分辨率表示之间的相关性。在[ 30.),不同分辨率独立分类,所以他们的相关性实际上是被忽视的。使用联合稀疏表示的方法( 31日, 32),稀疏约束的关系反映在多任务学习问题的解决方案。然而,这种限制不是健壮的特别是当有些讨厌的人的多分辨率表示。其次,每个决议传达一个相同大小的SAR图像与原始SAR图像。因此,这是不可避免的,前面的方法明显提高存储和计算负载。作为补救措施,本研究旨在寻求的统一表示多分辨率SAR图像,从而更好地捕捉内在相关性,同时提高分类效率。细节,2采用dcca融合多分辨率表示顺序。2 dcca CCA的代 33到二维空间,认为2 d图像的结构信息。此外,2 dcca可以维护组件的内在相关性,同时减少冗余,这有利于提高总体分类精度和效率。在每个转折点,2 dcca执行捕获之间的相关性最高的两项决议。和两个决议相结合作为一种新特性矩阵。然后,新特性矩阵结合下决议(剩余的)最高的一个。最后一个特征矩阵得到处理后最后决议,用于目标分类。本研究采用SRC的分类器。演示了在以前的作品,SRC可以很好地工作在不同的特性对SAR ATR。此外,它是证明有良好的鲁棒性讨厌的条件,例如,噪音污染和部分遮挡。

本研究的其余部分被组织为四个部分。部分 2介绍了根据基于多分辨率表示2 dcca生成功能。节 3SRC的基本理论与应用程序描述SAR目标识别。部分 4介绍了该方法的实验结果在移动和静止目标获取与识别(MSTAR)数据集。结论部分 5对整个论文进行总结。

 2。二维多分辨率表示的典型相关分析

根据SAR成像机理、SAR图像的低分辨率的表征可以通过只使用方便地生成原始频谱的比例。详细的过程可以在[指的是以前的作品 30.- - - - - - 32]。图 1BMP2的说明了多分辨率表示从MSTAR SAR图像数据集。原始图像分辨率为0.3米×0.3米用于生成的低分辨率图像0.4米×0.4米,0.5米×0.5米,0.6米×0.6米。如图所示,描述目标的多分辨率表示有能力从粗到细的。分辨率很低,该地区信息的目标是主要表现。增加的分辨率,可以观察到目标的详细信息,例如,散射的分布中心。假设相同的SAR图像的多分辨率表示分享一些内在的相关性。与此同时,他们有太多的冗余,如背景。因此,本研究旨在构建多分辨率表示的新特性,可以利用他们的内在相关性,同时减少冗余。

插图的多分辨率表示BMP2 SAR图像分辨率:(一)原始:0.3米×0.3米;(b) 0.4米×0.4米;(c) 0.5米×0.5米;(d) 0.6米×0.6米。

2 dcca [ 29日CCA)是传统的扩展到二维空间,这是能够调查两个二维变量之间的相关性。两个矩阵集 X t ∈ ℝ 米 x × n x , t = 1 , … , N 和 Y t ∈ ℝ 米 y × n y , t = 1 , … , N ,他们可以被视为随机变量矩阵的实现 X 和 Y ,分别。CCA, 2 d矩阵首先被转换成一维向量和规范化分析之后进行。然而,向量化操作可能可能失去了2 d矩阵的结构信息。然后,提出2 dcca直接分析两者之间的相关性矩阵集。

起初,均值矩阵 X t 和 Y t 得到了, (1) 米 x = 1 N ∑ t = 1 N X t , 米 y = 1 N ∑ t = 1 N Y t 。

之后,原来的矩阵是集中的 (2) X ˜ t = X t − 米 x , Y ˜ t = Y t − 米 y 。

2 dcca的目标是寻求左变换( l x 和 l y )和正确的转换( r x 和 r y ),它最大化之间的相关性 l x T X r x 和 l y T Y r y 。所以,2 dcca可以解决如下: (3) 参数 马克斯 浸 l x T X r x , l y T Y r y , Y ˜ t = Y t − 米 y , 年代 。 t 。 var l x T X r x = 1 ,var l y T Y r y = 1 , Y ˜ t = Y t − 米 y 。

2 dcca的详细解决方案可以称为原工作 29日]。根据导致左右变换,从两组对应的矩阵融合为一个统一的特征矩阵,可以保持其内在的相关性。 (4) χ t = = l x T X t r x + l y T Y t r y 。

在这项研究中,2 dcca用于融合的多分辨率表示。假设有 米分辨率融合,也就是说, Z t 我 ∈ ℝ 米 × n , t = 1 , … , N 我 = 1 , … , 米 。 ,这是根据决议以降序的方式排列。图 2说明了基于多分辨率特性生成使用2 dcca表示。开始时,前两个决议,即, Z t 1 和 Z t 2 t = 1 , … , N 使用2 dcca相结合。后来,熔融特性矩阵结合第三决议。重复这个过程,直到 米决议。通过这种方式, 米−1套变换矩阵计算,每组包含四个转换(两个左和两个正确的)。

基于2 dcca插图融合的多分辨率表示。

 3所示。稀疏表示的目标识别融合功能 3.1。SRC

SRC新提出的分类方案基于稀疏信号处理技术( 20.]。SRC的基础是假设某个类测试样本可以线性重构使用类的训练样本。

表示训练样本 kth类 Φ k = x k , 1 , … , x k , n k ∈ ℝ d × n k k = 1 , … , C ,在那里 d 是原子的尺寸。然后,测试样本 k类可以表示为线性 (5) y = x k , 1 α k , 1 + ⋯ + x k , n k α k , n k = Φ k α k , 在哪里 α k = α k , 1 , … , α k , n k T ∈ ℝ n k 。

实际上,在一个分类任务中,测试的目标标签样本是未知的。因此,全球词典是常用的稀疏表示如下: (6) α ^ = 参数 最小值 α α 0 , 年代 。 t 。 y − Φ α 2 2 ≤ ε , 在哪里 Φ = Φ 1 , … , Φ C ∈ ℝ d × n 全球词典由表示 n训练样本 C类; α = α 1 , … , α C T ∈ ℝ n 代表了系数向量在全球词典;和 ε 宽容是预置错误。

在方程(优化任务 6)被证明是一个不确定性多项式(NP)困难的问题。因此,很难直接找到方程的最优解( 2)。考虑到高稀疏的系数向量,它是可行的替代 ℓ 0 在方程( 6) ℓ 1 规范,从而放松是一个凸优化问题。此外,贪婪算法,例如,正交匹配追踪(OMP) ( 19, 20.),也有效的找到方程的近似解( 6)。

理想情况下,非零元素解决稀疏系数向量 α ^ 主要发生在相应的类的测试样本。在这个意义上,可以反映出不同的培训课程的表现能力的重建误差。然后,采用最小重建误差准则决策目标标签 (7) r 我 = y − Φ 我 α ^ 我 2 2 我 = 1、2 , … , C , 身份 y = 参数 最小值 我 r 我 , 在哪里 α ^ 我 表示相关的系数向量 我 th 培训类和 r 我 表示错误的使用原子代表测试样本 我 th 培训类。

 3.2。目标识别

多分辨率表示的熔融特性由SRC与应用目标识别分类。图 3显示了该目标识别方法的实现过程。在细节,它可以概括为以下六个步骤:

第一步:生成多分辨率表示所有的训练样本

第二步:分析的多分辨率表示计算变换矩阵

步骤3:计算每个训练样本的特征矩阵和使用矢量形式的所有特性矩阵构建overcomplete字典

第四步:生成相同的多分辨率表示测试的样本

第五步:计算测试样本的特征矩阵使用变换矩阵和vectorize它

第六步:测试样本的特征向量进行分类SRC来确定其目标标签

说明该方法的实现过程。

特别,在本文中,会生成三个决议从原始MSTAR图像,即。0.4米×0.4米,0.5米×0.5米和0.6米×0.6米。一起与原来的分辨率(0.3×0.3),四个决议由2 dcca融合生成最终的特征矩阵的大小20×20。然后,特征向量分类由SRC的维数400。

 4所示。实验 4.1。数据集和参考方法

定量验证该方法的性能,MSTAR数据集用于实验。数据集收集地面目标的SAR图像的10类(如图所示 4)与10 GHz HH-polarization SAR传感器。原始SAR图像的分辨率是0.3×0.3。表 1介绍了十级的培训和测试,这是一个经典的实验装置的识别标准操作条件下(SOC)。图像在17°俯角用于训练,而在15°测试。的训练集和测试集覆盖完整的方位角0∼359°。

光学和SAR图像的十个军事目标。BMP2(一),(b) BTR70, (c) T72, (d) T62, (e) BRDM2 BTR60 (f) (g) ZSU23/4 (h) D7, ZIL131(我),(j) 2 s1。

十级的训练和测试样本的细节。

Depr。 BMP2 BTR70 T72 T62 BDRM2 BTR60 ZSU23/4 D7 ZIL131 2 s1
训练集 17° 233 (Sn_9563) 233年 232 (Sn_132) 299年 298年 256年 299年 299年 299年 299年
测试集 15° 195 (Sn_9563) 196年 196 (Sn_132) 273年 274年 195年 274年 274年 274年 274年
196 (Sn_9566) 195 (Sn_812)
196 (Sn_c21) 191 (Sn_s7)

其他一些SAR ATR用于比较表中列出 2。支持向量机、SRC和CNN是最普遍的分类方案目前在SAR ATR阶段。详细,支持向量机( 18]和SRC [ 21)用于利用主成分分析法(PCA)提取的特征进行分类,这是一种常见的SAR ATR中的特征提取方法。和功能维度设置为80。CNN的网络体系结构( 25采用。PAR-Res和JSR-Res中提出的方法( 30.]和[ 31日),分别,这也对多分辨率执行决议。在[ 30.),score-level融合用于平行结合个人的决策决议。在[ 31日),采用联合稀疏表示,共同分类多分辨率表示。在以下,该方法测试了在不同条件下包括SOC和几种典型扩展操作条件(转换端)。

描述的参考方法。

缩写 功能 决策引擎 参考
支持向量机 主成分分析特征 支持向量机 ( 18]
SRC 主成分分析特征 SRC ( 21]
美国有线电视新闻网 原始图像强度 美国有线电视新闻网 ( 25]
PAR-res 多分辨率表示 Score-level融合 ( 30.]
JSR-res 多分辨率表示 联合稀疏表示 ( 31日]
4.2。识别在SOC的十级目标

初步的性能测试的方法是先在SOC基于十级训练和测试样本表 1。的混淆矩阵提出了课程目标的识别方法在SOC在图给出 5,对角线上的每个元素表示相应的目标的识别率。如图所示,所有的目标都可以分类识别利率超过96%,平均为97.63%,表明高SOC下该方法的有效性。表 3比较不同方法的识别率平均在SOC,验证该方法的优越性在参考方法。值得注意的是,基于多分辨率表示的方法实现更好的性能比支持向量机和SRC。结果展示了良好的多分辨率表示对于SAR ATR辨别力。由于CNN的强大学习能力特性,实现第二高识别率的所有方法。与PAR-Res和JSR-Res方法相比,该方法的识别率越高表明2 dcca可以更好地利用多分辨率表示的歧视能力改善ATR性能。

混淆矩阵的方法识别在SOC的十级目标。

比较不同方法的识别率平均在SOC。

方法 提出了 支持向量机 SRC 美国有线电视新闻网 PAR-res JSR-res
平均(%) 97.63 94.22 93.66 97.24 96.41 96.86
4.3。配置差异

SAR ATR中的一个常见曲线端,配置方差表示不同的配置相同的目标,通常有一些局部结构修改。基于MSTAR数据集,这个实验的训练和测试样本集如表 4。在四个目标,BMP2的配置和T72分类与训练完全不同的配置。的平均识别利率不同的方法展示在表 5,最高的一个是通过该方法。同时,在这种情况下,使用多分辨率表示的方法通常比其余的取得更好的性能。在分析部分 2,多分辨率表示可以从粗到细的描述目标的特征,所以他们能够捕捉当地的方差变化引起的配置。该方法的识别率越高在PAR-Res JSR-Res表明2 dcca更有能力维持稳定的功能配置下的方差。

训练和测试样本识别的细节配置下的方差。

Depr。 BMP2 T72 BTR60 T62
训练集 17° 233 (Sn_9563) 232 (Sn_132) 256年 299年
测试集 15° 196 (Sn_9566) 195 (Sn_812) 195年 273年
196 (Sn_c21) 191 (Sn_s7)

比较不同方法的识别率平均配置下的方差。

方法 提出了 支持向量机 SRC 美国有线电视新闻网 PAR-res JSR-res
平均(%) 94.72 92.79 91.17 93.18 93.08 93.75
4.4。俯视角方差

SAR图像捕获的抑郁症在不同的角度,他们有很多的不同体现在目标地区和阴影。表 6展示了训练和测试样本的识别在俯角方差。俯角的训练样本测量17°和30°、45°的测试的。表 7介绍了该方法的分类结果抑郁症在不同的角度。特别是高识别率达到98.15%的抑郁症30°角,因为图像17°和30°仍然有许多相似之处。此外,三级识别问题是容易得多比十级。然而,对于测试样本在45°俯角,它们与更低的分类识别率为72.50%。大萧条角变化导致许多测试和训练样本之间的差异,这严重降低了识别性能。不同方法的平均识别率比较表 8。所有方法分享类似的趋势下俯角方差。识别利率最高的抑郁角度,验证该方法是最健壮的俯角方差。

训练和测试样本识别的细节在俯角方差。

Depr。 2 s1 BDRM2 ZSU23/4
训练集 17° 299年 298年 299年
测试集 30° 288年 287年 288年
45° 303年 303年 303年

该方法的分类结果在30°、45°抑郁角度。

Depr。 类 结果 识别率(%) 平均(%)
2 s1 BDRM2 ZSU23/4
30° 2 s1 284年 2 2 98.61 98.15
BDRM2 3 282年 2 98.26
ZSU23/4 2 4 282年 97.92
45° 2 s1 197年 74年 32 65.02 72.50
BDRM2 24 224年 55 73.93
ZSU23/4 14 51 238年 78.55

比较不同方法下的平均识别率俯角方差。

方法 提出了 支持向量机 SRC 美国有线电视新闻网 PAR-res JSR-res
平均(%) 30° 98.15 97.22 96.88 97.96 97.84 98.12
45° 72.50 66.24 64.74 67.36 72.06 71.82
4.5。噪音腐败

MSTAR数据集收集在高信噪比(信噪比),这的确减轻负担的以下目标识别。事实上,在实际应用中,实测SAR图像分类可能污染的声音从背景环境( 34, 35]。因此,它是理想的,能正确分类的SAR图像目标识别方法。在这个实验中,产生的噪声测试样品第一次添加不同水平的加性高斯噪声原始十级测试图像。噪声的详细过程除了可以称为( 35]。然后,吵闹的样本进行分类,不同的方法来检查他们的鲁棒性。图 6显示了不同方法的识别率平均信噪比的变化。相比之下,该方法击败了所有的参考方法在每个信噪比,其最佳noise-robustness指示。此外,使用稀疏表示方法(PAR-Res SRC JSR-Res和提案)比其余的(SVM和CNN)特别是在较低的信噪比。因此,该方法的良好性能得益于高2 dcca的有效性以及稀疏表示的鲁棒性。

的平均识别率与信噪比不同的方法改变。

 5。结论

多分辨率表示使用2 dcca利用SAR目标识别与应用程序。多分辨率表示相同的SAR图像描述目标从粗到细的。因此,他们相辅相成为以下分类提供更多的信息。此外,他们分享内在相关性,也有利于正确的分类。2采用dcca融合多分辨率表示,并导致功能描述之间的相关性不同的决议而大大减少了高维度。最后采用SRC分类融合特性来确定目标标签。实验是植入MSTAR数据集上对该方法的性能进行评估。根据实验结果,优越的有效性和鲁棒性特征验证相比,一些参考方法。

 数据可用性

使用的数据来支持本研究的发现在网上是可得到的 http://www.sdms.afrl.af.mil/datasets/mstar/。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作是由教育和研究项目为中青年教师福建教育部门(JT180695研究直流输电线路的保护算法基于时域分析)和工业自动化控制技术和信息处理支持福建大学重点实验室项目(MKJ[2017] 103号),支持应用学科建设的福建Province-Electric工程项目的学院和大学。

 El-Darymli K。 吉尔 e·W。 Mcguire P。 权力 D。 Moloney C。 在合成孔径雷达图像自动目标识别:最先进的审查 IEEE访问 2016年 4 6014年 6058年 10.1109 / access.2016.2611492 2 - s2.0 - 84994791414 丁 B。 温 G。 马 C。 杨 X。 在合成孔径雷达图像目标识别使用二进制形态学操作 应用遥感技术杂志》上 2016年 10 4 046006年 10.1117/1. jrs.10.046006 2 - s2.0 - 84994474443 Amoon M。 Rezai-rad G.-a。 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 专业计算机视觉 2014年 8 2 77年 85年 10.1049 / iet-cvi.2013.0027 2 - s2.0 - 84897057812 公园 我。 公园 工程学系。 金 K.-T。 新的歧视特性对SAR自动目标识别 IEEE地球科学和遥感信 2013年 10 3 476年 480年 10.1109 / lgrs.2012.2210385 2 - s2.0 - 84870552741 Anagnostopoulos说道 g . C。 基于svm从合成孔径雷达图像目标识别使用目标区域轮廓描述符 非线性分析:理论、方法及应用 2009年 71年 12 2934年 2939年 10.1016 / j.na.2009.07.030 2 - s2.0 - 72149124220 Papson 年代。 Narayanan r·M。 通过阴影区在SAR图像分类 IEEE航空航天和电子系统 2012年 48 2 969年 980年 10.1109 / taes.2012.6178042 2 - s2.0 - 84859830841 Mishra 答:K。 验证的PCA和LDA SAR ATR 学报》2008 - 2008年TENCON IEEE 10地区会议 2008年11月 海得拉巴,印度 1 6 10.1109 / tencon.2008.4766807 2 - s2.0 - 63049135365 崔 Z。 冯 J。 曹 Z。 任 H。 杨 J。 在合成孔径雷达图像目标识别factorisation通过非负矩阵 专业雷达、声纳、导航 2015年 9 9 1376年 1385年 10.1049 / iet-rsn.2014.0407 2 - s2.0 - 84949786829 余 M。 越南盾 G。 风扇 H。 旷 G。 SAR目标识别通过当地的稀疏表示multi-manifold正规化低秩近似 遥感 2018年 10 2 211年 10.3390 / rs10020211 2 - s2.0 - 85042536761 黄 Y。 规划环评 J。 Yanga J。 王 B。 刘 X。 邻域的几何中心扩展嵌入SAR ATR IEEE航空航天和电子系统 2014年 50 1 180年 192年 10.1109 / taes.2013.110769 2 - s2.0 - 84900863340 越南盾 G。 旷 G。 在单基因尺度空间分类:应用程序在SAR图像目标识别 IEEE图像处理 2015年 24 8 2527年 2539年 10.1109 / tip.2015.2421440 2 - s2.0 - 84929379548 越南盾 G。 旷 G。 王 N。 赵 l 陆 J。 单基因信号的SAR目标识别通过联合稀疏表示 IEEE选择杂志的主题应用地球观测和遥感 2015年 8 7 3316年 3328年 10.1109 / jstars.2015.2436694 2 - s2.0 - 85027948718 波特 l . C。 摩西 r . L。 由于散射中心SAR ATR IEEE图像处理 1997年 6 1 79年 91年 10.1109/83.552098 2 - s2.0 - 0030779418 中国 h . C。 摩西 r . L。 波特 l . C。 基于模型的雷达图像的分类 IEEE信息理论 2000年 46 5 1842年 1854年 10.1109/18.857795 2 - s2.0 - 0034250773 丁 B。 温 G。 钟 J。 马 C。 杨 X。 健壮的方法由于散射中心的匹配与合成孔径雷达自动目标识别应用程序 应用遥感技术杂志》上 2016年 10 1 016010年 10.1117/1. jrs.10.016010 2 - s2.0 - 84959421948 丁 B。 温 G。 钟 J。 马 C。 杨 X。 一个健壮的相似性度量属性散射中心与应用程序设置为SAR ATR Neurocomputing 2017年 219年 130年 143年 10.1016 / j.neucom.2016.09.007 2 - s2.0 - 84998887133 丁 B。 温 G。 黄 X。 马 C。 杨 X。 在合成孔径雷达图像目标识别通过匹配属性散射中心 IEEE选择杂志的主题应用地球观测和遥感 2017年 10 7 3334年 3347年 10.1109 / jstars.2017.2671919 2 - s2.0 - 85015905310 赵 Q。 普林西比岛 j . C。 支持向量机对SAR自动目标识别 IEEE航空航天和电子系统 2001年 37 2 643年 654年 10.1109/7.937475 2 - s2.0 - 0035300682 刘 H。 李 年代。 决策融合稀疏表示和支持向量机的SAR图像目标识别 Neurocomputing 2013年 113年 97年 104年 10.1016 / j.neucom.2013.01.033 2 - s2.0 - 84877622257 莱特 J。 杨 a . Y。 Ganesh 一个。 Sastry 美国年代。 马 Y。 基于稀疏表示的人脸识别 IEEE模式分析与机器智能 2009年 31日 2 210年 227年 10.1109 / tpami.2008.79 2 - s2.0 - 61549128441 Thiagaraianm J·J。 需要 k . N。 膝盖 P。 Spanias 一个。 贝里沙 V。 稀疏表示在SAR图像自动目标分类 学报》2010年第四届国际研讨会通信、控制和信号处理(ISCCSP) 2010年3月 利马索尔,塞浦路斯 1 4 10.1109 / isccsp.2010.5463416 2 - s2.0 - 77953847761 首歌 H。 霁 K。 张 Y。 兴 X。 邹 H。 稀疏表示在十级MSTAR SAR图像目标分类数据集 应用科学 2016年 6 1 26 10.3390 / app6010026 2 - s2.0 - 84973661549 辛顿 g . E。 Salakhutdinov R R。 降低数据的维数和神经网络 科学 2006年 313年 5786年 504年 507年 10.1126 / science.1127647 2 - s2.0 - 33746600649 Krizhevsky 一个。 Sutskever 我。 辛顿 g . E。 Imagenet与深卷积神经网络分类 诉讼进展的神经信息处理系统 2012年12月 美国不太浩湖 1097年 1105年 陈 年代。 王 H。 徐 F。 金 Y.-Q。 目标分类使用深卷积网络SAR图像 IEEE地球科学和遥感 2016年 47 6 1685年 1697年 10.1109 / tgrs.2016.2551720 2 - s2.0 - 84992303973 瓦格纳 美国一个。 SAR ATR的卷积神经网络和支持向量机的组合 IEEE航空航天和电子系统 2016年 52 6 2861年 2872年 10.1109 / taes.2016.160061 2 - s2.0 - 85013498768 丁 J。 陈 B。 刘 H。 黄 M。 卷积神经网络与数据增加SAR目标识别 IEEE地球科学和遥感信 2016年 13 3 364年 368年 10.1109 / lgrs.2015.2513754 2 - s2.0 - 84961338765 杜 K。 邓 Y。 王 R。 赵 T。 李 N。 基于位移和rotation-insensitive CNN SAR ATR 遥感信 2016年 7 9 895年 904年 10.1080 / 2150704 x.2016.1196837 2 - s2.0 - 84976407137 李 s . H。 崔 年代。 二维典型相关分析 IEEE信号处理信件 2007年 14 10 735年 738年 10.1109 / lsp.2007.896438 2 - s2.0 - 34548808579 丁 B。 温 G。 基于多分辨率表示的SAR图像目标识别 遥感信 2017年 8 11 1006年 1014年 10.1080 / 2150704 x.2017.1346397 2 - s2.0 - 85023600405 张 Z。 刘 年代。 联合稀疏表示的多分辨率表示SAR图像目标识别与应用程序 杂志的电磁波和应用程序 2018年 32 11 1342年 1353年 10.1080 / 09205071.2018.1436005 2 - s2.0 - 85041539865 张 Z。 联合的多分辨率表示分类分析SAR ATR的歧视 电子杂志的成像 2018年 27 4 043030年 10.1117/1. jei.27.4.043030 2 - s2.0 - 85053288338 哈同 d·R。 Szedmak 年代。 Shawe-Taylor J。 典型相关分析:学习方法与应用程序概述 神经计算 2004年 16 12 2639年 2664年 10.1162 / 0899766042321814 2 - s2.0 - 10044285992 丁 B。 温 G。 利用多视点健壮的目标识别的SAR图像 遥感 2017年 9 11 1150年 10.3390 / rs9111150 2 - s2.0 - 85034757265 豆儿 年代。 史密斯 G。 贝克 C。 目标分类性能的函数测量的不确定性 学报2015年IEEE 5日亚太会议上合成孔径雷达(APSAR) 2015年9月 新加坡 587年 590年 10.1109 / apsar.2015.7306277 2 - s2.0 - 84957621546