[发明专利]基于深度增量支持向量机的SAR图像目标识别方法

摘要

本发明公开了一种基于深度增量支持向量机的SAR图像目标识别方法。其步骤为：(1)输入SAR图像；(2)图像预处理；(3)构建初始训练集和增量训练集；(4)初始化深度增量支持向量机；(5)计算测试样本的初始识别率；(6)更新深度增量支持向量机；(7)计算测试样本的识别率；本发明结合了增量学习和深度学习的优点，采用深度增量支持向量机对SAR图像进行目标识别，能处理增量训练样本，并且可以获取更具判别性的深层目标信息。本发明具有提高SAR图像目标识别精度，减少训练时间的优点。

主权项

1.一种基于深度增量支持向量机的SAR图像目标识别方法，包括如下步骤：(1)输入SAR图像：输入MSTAR数据集中选定的已知类别标签的训练样本集和测试样本集；(2)图像预处理：(2a)对训练样本集和测试样本集分别进行二维离散小波变换，得到训练样本集和测试样本集的低频图像；(2b)采用主成分分析PCA降维方法，分别对训练样本集和测试样本集的低频图像进行降维处理，得到降维后的训练样本集和测试样本集；(2c)采用主成分分析PCA白化方法，分别对降维后的训练样本集和测试样本集进行白化处理，得到预处理后的训练样本集和测试样本集；(3)构建初始训练集和增量训练集：(3a)从预处理后的训练样本集的每类样本中随机选取10％的样本组成初始训练集；(3b)将训练样本集的每类样本中所有剩余的样本混合，将混合后的样本均分成10份，组成10个增量训练集；(4)初始化深度增量支持向量机：(4a)采用增量学习方法，将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练，得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签；(4b)采用特征值计算公式，计算初始训练样本的所有支持向量对应的特征值；(4c)将初始训练样本所有支持向量对应的特征值输入到深度支持向量机中的第二层支持向量机进行训练，得到初始的深度增量支持向量机；(5)计算测试样本的初始识别率：(5a)将图像预处理后的测试样本输入到初始的深度增量支持向量机进行识别，得到测试样本的预测类别标签；(5b)按照下式，计算测试样本的初始识别率：其中，a表示测试样本的初始识别率，size表示求个数操作，p表示测试样本的预测类别标签，l表示测试样本的真实类别标签；(6)将深度增量支持向量机的更新次数k设置为1；(7)更新深度增量支持向量机：任选一个增量训练集输入第k‑1次更新后的深度增量支持向量机中进行增量训练，得到第k次更新后的深度增量支持向量机；(8)计算测试样本的识别率：(8a)将预处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别，得到测试样本的预测类别标签；(8b)按照下式，计算测试样本的识别率：其中，c表示测试样本的识别率，size表示求个数操作，p表示测试样本的预测类别标签，l表示测试样本的真实类别标签；(9)判断是否训练完所有的增量训练集，若是，则执行步骤(10)，否则，将深度增量支持向量机的更新次数k加1，执行步骤(7)；(10)结束。