[发明专利]基于多分类器系统的合成孔径雷达自动目标识别方法

权利要求书

1.一种合成孔径雷达自动目标识别方法，包括：

预处理步骤：对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取步骤：对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取；

分类器训练步骤：训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个支撑矢量机分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别步骤：分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster证据组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。

2.根据权利要求1所述的目标识别方法，其中目标识别步骤中所述的通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合，按如下步骤进行：

(2a)定义辨识框架

θ＝{C₁，C₂，...C_j，...C_M}

其中C_j代表第j类目标的类标签，M为目标的总类别数；

(2b)将K-近邻分类器、支撑矢量机分类器和MINIACE滤波器的输出结果分别记为ψ₁，ψ₂，ψ₃，这些输出结果的形式如下：

ψ_i＝{s_i1，...s_ij...s_iM}，i＝1，2，3

其中s_ij表示分类器ψ_i对C_j的支持程度；

定义概率赋值函数m₁，m₂，m₃：

其中A为θ的子集且A≠C_j，j＝1，...M；m₁，m₂，m₃分别代表一个证据； 

(2c)计算每个证据与其他证据的冲突因子，得到每个证据的冲突向量：

K₁＝(k₁₂，k₁₃)

K₂＝(k₂₁，k₂₃)

K₃＝(k₃₁，k₃₂)

其中 i，j＝1，2，3表示第i个证据和第j个证据的冲突因子；B和C为θ的子集；

(2d)将步骤(2c)计算的每一个冲突向量进行归一化：

K₁＝(k₁₂，k₁₃)/(k₁₂+k₁₃)

K₂＝(k₂₁，k₂₃)/(k₂₁+k₂₃)

K₂＝(k₃₁，k₃₂)/(k₃₁+k₃₂)

(2e)计算步骤(2d)中归一化冲突向量的熵：

H₁＝k₁₂ln(k₁₂)+k₁₃ln(k₁₃)

H₂＝k₂₁ln(k₂₁)+k₁₃ln(k₂₃)

H₃＝k₃₁ln(k₃₁)+k₁₃ln(k₃₂)

(2f)计算步骤(2e)中熵值的倒数：

(2g)计算每个证据的权重：

(2h)使用上述权重每个证据进行折扣操作：

i＝1，2，3，j＝1，2，...M

(2i)对进行完折扣操作的证据进行组合

其中A、B、C为θ的子集；m即为组合后的结果。

3.一种合成孔径雷达自动目标识别系统，包括：

预处理装置：用于对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取装置：用于对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取； 

分类器训练装置：用于训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个K-近邻分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别装置：用于分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster证据组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。