提出基于支持向量機(jī)（support vector machine,SVM）和稀疏表示分類（sparse representation-based classification,SRC）級(jí)聯(lián)決策融合的合成孔徑雷達(dá)（synthetic aperture radar,SAR）圖像目標(biāo)識(shí)別方法。首先,采用SVM對(duì)測(cè)試樣本進(jìn)行分類,根據(jù)各個(gè)訓(xùn)練類別輸出的后驗(yàn)概率,采用門(mén)限判決法選取其中具有高置信度的候選類別;其次,基于候選訓(xùn)練樣本構(gòu)造字典,對(duì)測(cè)試樣本進(jìn)行SRC分類;最后,采用線性加權(quán)融合SVM和SRC的決策值,獲得更為可靠的識(shí)別結(jié)果。SVM的預(yù)篩選分類有效降低了SRC中的字典規(guī)模,從而提高其分類效率,同時(shí),SRC具有的噪聲、遮擋穩(wěn)健性也可以補(bǔ)充SVM在此方面的不足。因此,提出的方法可以有效綜合SVM和SRC的優(yōu)勢(shì),提高最終的識(shí)別性能。采用MSTAR數(shù)據(jù)集進(jìn)行識(shí)別實(shí)驗(yàn),結(jié)果驗(yàn)證了本文方法的有效性。 

【文章來(lái)源】：河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,39(04)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
0 引 言
1 SVM基本原理
2 SRC基本原理
3 SVM與SRC級(jí)聯(lián)決策融合
    3.1 基于SVM的預(yù)篩選
    3.2 線性加權(quán)融合
4 實(shí)驗(yàn)與分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
    4.2 標(biāo)準(zhǔn)操作條件
    4.3 俯仰角差異
    4.4 噪聲干擾
    4.5 遮擋
5 結(jié) 論



本文編號(hào)：3046707