基于流形學習與稀疏描述的SAR目標識別算法研究.pdf

1、合成孔徑雷達(SAR)由于其具有全天時、全天候的工作能力，已被廣泛的應用于民用和軍事領域。SAR自動目標識別(ATR)技術致力于從復雜的地物場景中有效的檢測到目標，并對檢測到的目標進行識別。具體的說，ATR的過程就是在雷達對目標進行檢測和定位的基礎上，根據目標和背景的雷達回波信號，提取出目標的特征，最終實現感興趣目標的屬性、類別或型號的判定。SAR ATR技術的研究對于提高軍隊的指揮自動化水平、戰(zhàn)場感知能力、攻防能力、國土防空反導能力及

2、戰(zhàn)略預警能力等軍事應用領域具有十分重要的作用，是目前國內外學者研究的熱點。
　　本論文以實測的MSTAR數據為基礎，在SAR圖像統(tǒng)計模型的基礎上，結合流形學習、稀疏描述等理論對基于模型的SAR自動目標識別方法中的關鍵步驟——特征提取進行了較為深入的研究，提出了一些新的思想和方法，取得了良好的效果，在第二章和第三章中提出了基于流形學習理論的SAR目標識別算法，在第四章到第六章中提出了基于稀疏描述理論的SAR目標識別算法。主要工作內容

3、及研究成果如下：
　　第一部分考慮到流形學習算法能在更符合數據實際分布的流形空間中進行特征提取，能更好的捕獲數據的局部流形結構，提出了一種基于局部保持特性和混合高斯分布相結合的SAR圖像特征提取算法，以實現SAR目標識別。該算法從統(tǒng)計的角度進行特征提取，采用混合高斯分布建模SAR圖像中斑點噪聲和模型誤差的統(tǒng)計分布，將局部保持特性和混合高斯分布相結合以保持數據的局部結構。實驗結果表明該方法優(yōu)于基于局部保持投影的識別算法。
　　

4、第二部分為了更好的捕獲SAR圖像的局部結構，提出了一種基于局部保持特性和Gamma分布相結合的特征提取算法，以實現SAR目標識別。該算法采用乘積模型建模SAR圖像，將斑點噪聲建模為Gamma分布以更好的描述SAR圖像的本質特征。為保持數據的局部結構，將能夠較好保持數據局部結構的局部保持特性和Gamma分布相結合。此外，該部分還對局部保持特性中的相似度矩陣進行了修正，以實現數據局部特征和全局特征的聯(lián)合提取。實驗結果驗證了該算法提取的特征更

5、加準確、全面，識別率高于基于局部保持特性和混合高斯分布相結合的識別算法。
　　第三部分針對SAR圖像所特有的對目標方位角變化敏感的特性，提出了一種基于Dempster-Shafer證據理論融合目標細節(jié)特征和樣本全局統(tǒng)計特性的目標識別算法。詳細的分析了多稀疏描述(MSR)在目標細節(jié)特征提取上的優(yōu)勢。根據多稀疏描述和樣本統(tǒng)計特性分別構建2個基本概率分配函數以捕獲目標的細節(jié)信息和全局特征，采用Dempster-Shafer證據理論進行特

6、征級融合，將樣本的細節(jié)特征和全局特征融合起來，實現樣本特征的全面提取以提高識別率。實驗結果驗證了該算法進行SAR目標識別的有效性。
　　第四部分為了更好的捕獲SAR圖像的全局信息，提出了一種基于貝葉斯融合的稀疏描述算法實現SAR目標識別。該算法采用貝葉斯融合將更為精確的SAR圖像描述和稀疏性相結合?？紤]SAR圖像中存在的非高斯的斑點噪聲和模型誤差，采用混合高斯分布建模似然函數來擬合噪聲分量的統(tǒng)計特性，以得到SAR圖像更為精確的全局

7、信息。采用拉普拉斯分布建模先驗函數來保持稀疏性。通過貝葉斯融合將似然函數和先驗函數相結合，融合結果能夠實現對SAR圖像更精確的稀疏描述，可以更好的實現SAR目標識別。實驗結果驗證了該算法的識別效果優(yōu)于現有的基于稀疏描述的識別算法。
　　在第五部分中，考慮到基于稀疏描述的識別算法是在稀疏重構空間中進行識別的，提出了一種新的維數約簡算法，利用該算法對樣本進行降維時，可以保證在高維空間距離近的樣本，對其降維后的數據進行稀疏描述時，在稀疏