论文部分内容阅读
作为一种高分辨率成像雷达,合成孔径雷达能够在不受光照和气候的影响下对地面目标进行不间断、精准地侦测,并且能够有效的识别伪装和穿透遮挡物,这些特点使得SAR在军事领域具备了广泛地应用前景。随着高分辨率SAR图像的大量获取,对SAR图像进行诸如检测、鉴别和识别等处理也得到了进一步的发展。在实际情况中,由于地面目标配置不同或者目标所处环境的复杂性,不能得到所有姿态下足够的目标变体样本,这无疑为目标识别带来了一定的难度。因此,如何识别出变体目标是SAR目标识别的一个重要研究方向。本论文主要对SAR图像的预处理、支持向量机、核学习方法、Dropout数据扩充方法和贝叶斯支持向量机进行了研究。最终,在多核学习方法和贝叶斯支持向量机的基础上提出了基于多核学习的贝叶斯支持向量机模型。本论文可以概括如下:1.本论文介绍了对SAR图像预处理方法,包括分割处理、配准处理、截取处理和滤波处理等过程;2.本论文对实验所用数据集(运动和静止目标获取与识别数据集)和实验场景进行了简单的介绍;3.本论文介绍了支持向量机的相关知识,包括对最优边界分类器和广义最优边界分类器的推理过程和求解过程,并在广义最优边界分类器的基础上引出了贝叶斯支持向量机。论文中对贝叶斯支持向量机的建模过程进行了推导,并使用期望最大化算法求解此模型。为验证贝叶斯支持向量机的识别性能,论文还使用MSTAR数据集进行了实验验证;4.本论文介绍了核学习方法的相关知识,并简单介绍了单核学习方法的相关内容,在此基础上,研究了多核学习方法,最后将多核学习方法与贝叶斯支持向量机相结合提出了基于多核学习的贝叶斯支持向量机。在实验验证阶段对此分类器的识别性能进行了验证。具体实验中,多核学习方法选用的核函数为径向基核函数,选取的三种特征子集分别是幅度特征、频域特征和基于KSVD算法和正交匹配追踪算法的稀疏系数特征。为验证此分类器的识别性能,实验还与其他分类器的实验结果进行了对比。