共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法.FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF).基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分.分类阶段采用联合稀疏表示对保留的BIMF进行表征分... 相似文献
3.
针对合成孔径雷达(SAR)图像目标识别问题,采用非线性相关信息熵(NCIE)进行多特征选取进而实现分类。基于混合高斯模型对SAR图像提取的各类特征进行概率建模,采用KL散度评价不同特征之间的相似度。采用非线性相关信息熵评价不同特征组合的相关性,根据最大熵值确定最优特征组合。对于选取的多类特征,基于联合稀疏表示模型进行表征和分类。利用MSTAR数据集对提出方法在标准操作条件和扩展操作条件下进行测试,结果验证了其有效性。 相似文献
4.
5.
针对多基地水下小目标分类识别问题,本文提出了一种基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别方法 .对水下目标多角度散射信号提取6种典型的具有信息互补性和关联性的特征,提出一种随机森林(Random Forest,RF)和最小冗余最大相关(minimum Redundancy and Maximum Relevance,mRMR)相结合的特征选择方法(RF-mRMR),得出综合的特征重要性排序结果 .通过实验得出分类模型所需的最优特征子集,达到降低数据处理复杂度和提高目标分类结果的目的 .为了捕捉到数据中的高阶结构,在联合稀疏表示模型的基础上,使用核函数将线性不可分的特征数据映射到高维核特征空间.为了充分挖掘稀疏重构后包含在残差波段中的有用信息,使用指数平滑公式对具有一定意义的残差信息进行再利用,最后由核特征空间下的最小误差准则判定目标的类别.应用本文提出的方法对4类目标的海试数据进行识别,结果表明,相较于其他7种对比算法,本文提出的改进方法具有更好的分类性能,而且大多数情况下,本文提出的算法在双基地声呐模式下具有比单基地声呐更高的识别准确率和更低的虚警率. 相似文献
6.
提出了一种基于KPCA(Kernel Principal Component Analysis)和稀疏表示的合成孔径雷达(Synthetic Aperture Rader,SAR)目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法(Gradient Projection for Sparse Reconstruction,GPSR)求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition ,MSTAR)实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显的提高目标的识别结果,是一种有效的SAR目标识别方法。 相似文献
7.
8.
提出基于多元模态分解的合成孔径雷达(SAR)目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数(IMF)能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。 相似文献
9.
提出组合多决策准则的稀疏表示分类(Sparse Representation-based Classification,SRC)并在合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。 相似文献
10.
提出基于复数二维经验模态分解(C-BEMD)的合成孔径雷达(SAR)图像目标识别。C-BEMD作为传统BEMD的复数域推广,能直接处理原始SAR图像(包含幅度和相位信息)。采用C-BEMD对原始SAR图像进行分解,获得多层次复数内蕴模函数(BIMF),反映目标时频二维特性。各层次BIMF既有独立描述能力,反映目标不同类型的特征;同时也具有内在关联性,即反映同一目标的固有属性。为此,分类算法基于联合稀疏表示设计,可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件(SOC)和扩展操作条件(EOC)均可保持可靠的识别性能。 相似文献
11.
12.
13.
14.
15.
为了提高合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别性能,提出了结合二维内蕴模函数(Bidimensional Intrinsic Mode Function,BIMF)与贝叶斯多任务学习的SAR目标识别方法。采用二维经验模态分解获得SAR图像的多层次BIMF,从而更好地描述原始图像的细节信息。为了获得稳健的决策,采用贝叶斯多任务学习对原始SAR图像及其多层次的BIMF进行联合稀疏表示。最后,通过比较各个类别对于测试样本的重构误差判定目标类别。基于MSTAR数据集在多种条件下对提出方法进行了验证实验,结果证明了方法的有效性。 相似文献
16.
卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。 相似文献
17.
近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。 相似文献
18.