發(fā)布時(shí)間：2023-01-28 08:55

　　合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）成像技術(shù)突破了天氣、光照等因素的限制,實(shí)現(xiàn)了全天時(shí)、全天候地高分辨率成像。當(dāng)今,合成孔徑雷達(dá)成像技術(shù)在國(guó)防軍事、地質(zhì)探測(cè)、海洋勘探、城市規(guī)劃等多個(gè)領(lǐng)域都有著廣泛的應(yīng)用,SAR目標(biāo)識(shí)別是SAR應(yīng)用的核心技術(shù)之一,獲得了國(guó)內(nèi)外研究學(xué)者的廣泛關(guān)注。SAR圖像目標(biāo)識(shí)別系統(tǒng)的關(guān)鍵之一就是分類算法的設(shè)計(jì)。近些年來(lái),以稀疏表示、字典學(xué)習(xí)為代表的表示學(xué)習(xí)算法大量應(yīng)用于SAR目標(biāo)識(shí)別領(lǐng)域,并且獲得了較好的分類性能。本文圍繞基于判別字典學(xué)習(xí)的SAR目標(biāo)識(shí)別方法展開(kāi)研究,具體的研究工作概括如下:（1）針對(duì)傳統(tǒng)字典學(xué)習(xí)算法中利用₀或₁范數(shù)約束稀疏表示系數(shù)存在的運(yùn)算過(guò)程復(fù)雜,訓(xùn)練過(guò)程耗時(shí)以及SAR圖像全方位角樣本被視為同等相關(guān)的問(wèn)題,本文提出了基于自適應(yīng)局部方位字典對(duì)學(xué)習(xí)的SAR目標(biāo)識(shí)別算法。該方法利用非負(fù)稀疏表示自適應(yīng)地選擇待測(cè)樣本所在的局部方位扇區(qū),在局部方位扇區(qū)子集上去共同訓(xùn)練一對(duì)判別字典。此外,在訓(xùn)練字典過(guò)程中,該方法通過(guò)引入分析字典來(lái)線性投影編碼矩陣,避免了₁范數(shù)稀... 

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 課題研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 SAR目標(biāo)識(shí)別研究現(xiàn)狀
        1.2.2 SAR目標(biāo)識(shí)別的難點(diǎn)
    1.3 本文的研究?jī)?nèi)容及章節(jié)安排
2 稀疏表示與字典學(xué)習(xí)
    2.1 引言
    2.2 稀疏表示
    2.3 字典學(xué)習(xí)
    2.4 本章小結(jié)
3 基于判別字典對(duì)學(xué)習(xí)的SAR目標(biāo)識(shí)別
    3.1 引言
    3.2 判別字典對(duì)學(xué)習(xí)算法
        3.2.1 判別字典對(duì)學(xué)習(xí)算法模型
        3.2.2 判別字典對(duì)學(xué)習(xí)算法模型求解
    3.3 基于非負(fù)稀疏表示的局部方位扇區(qū)估計(jì)
        3.3.1 基于非負(fù)稀疏表示的局部方位扇區(qū)估計(jì)模型
        3.3.2 基于非負(fù)稀疏表示的局部方位扇區(qū)估計(jì)模型求解
    3.4 基于局部方位扇區(qū)字典對(duì)學(xué)習(xí)的SAR圖像識(shí)別
    3.5 實(shí)驗(yàn)結(jié)果及分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        3.5.2 局部方位區(qū)間變化的目標(biāo)識(shí)別實(shí)驗(yàn)與分析
        3.5.3 隨規(guī)則化參數(shù)變化的目標(biāo)識(shí)別實(shí)驗(yàn)與分析
        3.5.4 多類目標(biāo)識(shí)別實(shí)驗(yàn)及分析
        3.5.5 噪聲魯棒性實(shí)驗(yàn)及分析
        3.5.6 大俯仰角變化實(shí)驗(yàn)及分析
    3.6 本章小結(jié)
4 基于局部方位LC-KSVD的 SAR目標(biāo)識(shí)別
    4.1 引言
    4.2 LC-KSVD算法
        4.2.1 LC-KSVD模型概述
        4.2.2 LC-KSVD算法的具體實(shí)現(xiàn)
    4.3 極限學(xué)習(xí)機(jī)
        4.3.1 極限學(xué)習(xí)機(jī)概述
        4.3.2 極限學(xué)習(xí)機(jī)模型
    4.4 基于局部方位LC-KSVD的 SAR圖像識(shí)別
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 三類目標(biāo)識(shí)別實(shí)驗(yàn)及分析
        4.5.2 具有多類配置的三類目標(biāo)識(shí)別實(shí)驗(yàn)及分析
        4.5.3 大俯仰角變化實(shí)驗(yàn)及分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 本文展望
參考文獻(xiàn)
附錄
    A.作者在攻讀學(xué)位期間發(fā)表的論文目錄
    B.作者在攻讀學(xué)位期間取得的科研成果目錄
    C.學(xué)位論文數(shù)據(jù)集
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于高分三號(hào)衛(wèi)星SAR影像的城市建筑區(qū)提取[J]. 鄧?guó)櫲?崔宸洋,單文龍,徐夢(mèng)竹.  地理信息世界. 2018(06)
[2]一種改進(jìn)的K-medoids知識(shí)聚類算法研究[J]. 譚黔林,覃運(yùn)初,盧艷蘭.  軟件導(dǎo)刊. 2016(08)
[3]基于流形正則化極限學(xué)習(xí)機(jī)的語(yǔ)種識(shí)別系統(tǒng)[J]. 徐嘉明,張衛(wèi)強(qiáng),楊登舟,劉加,夏善紅.  自動(dòng)化學(xué)報(bào). 2015(09)
[4]基于弱選擇正則化正交匹配追蹤的圖像重構(gòu)算法[J]. 劉哲,張鶴妮,張永亮,郝珉慧.  光子學(xué)報(bào). 2012(10)
[5]基于稀疏表示及光譜信息的高光譜遙感圖像分類[J]. 宋相法,焦李成.  電子與信息學(xué)報(bào). 2012(02)
[6]壓縮感知研究[J]. 戴瓊海,付長(zhǎng)軍,季向陽(yáng).  計(jì)算機(jī)學(xué)報(bào). 2011(03)
[7]基于正交匹配追蹤的壓縮感知信號(hào)檢測(cè)算法[J]. 劉冰,付平,孟升衛(wèi).  儀器儀表學(xué)報(bào). 2010(09)
[8]SAR圖像目標(biāo)鑒別研究綜述[J]. 高貴.  信號(hào)處理. 2009(09)
[9]遙感在重大自然災(zāi)害監(jiān)測(cè)中的應(yīng)用前景——以5·12汶川地震為例[J]. 陶和平,劉斌濤,劉淑珍,范建容,楊俐,蘭立波.  山地學(xué)報(bào). 2008(03)
[10]基于屬性加權(quán)的樸素貝葉斯分類算法[J]. 秦鋒,任詩(shī)流,程澤凱,羅慧.  計(jì)算機(jī)工程與應(yīng)用. 2008(06)

碩士論文
[1]基于字典學(xué)習(xí)的雷達(dá)目標(biāo)識(shí)別[D]. 李淼.大連理工大學(xué) 2018
[2]求解最優(yōu)化問(wèn)題的ADMM算法的研究[D]. 賈慧敏.華中科技大學(xué) 2016



本文編號(hào)：3732449