[发明专利]基于集成学习的SAR目标鉴别方法

摘要

本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。

主权项

基于集成学习的SAR目标鉴别方法,包括：(1)对给定的训练切片和测试切片分别提取词包模型特征，得到训练切片的词包模型特征和测试切片的词包模型特征其中，表示目标类训练切片，表示杂波类训练切片,表示目标类测试切片，表示杂波类测试切片，是目标类训练切片的词包模型特征，是杂波类训练切片的词包模型特征，是目标类测试切片的词包模型特征，是杂波类测试切片的词包模型特征，p1表示目标类训练切片数目，p2表示杂波类训练切片数目，k1表示目标类测试切片数目，k2表示杂波类测试切片数目，h表示词包模型特征的维数。(2)利用(1)中所得的训练切片的词包模型特征W训练n个代价敏感的字典，得到训练后的字典D1,...,Di...,Dn，i＝1,...,n：2a)从训练样本中的杂波类样本随机下采样n个子集{N1,...,Ni,...,Nn}，每个子集中的样本个数与训练样本中目标样本个数p1相同；2b)当前循环次数为i′，i′＝1,...,n′，n′为学习字典的最大循环次数，其值与随机下采样的子集个数n相同；选择集合{N1,...,Ni,...,Nn}中第i＝i′个子集Ni，与目标类训练样本一起再构成新的训练样本Ti＝[P,Ni]；2c)利用新的训练样本Ti＝[P,Ni]进行代价敏感的字典学习，得到第i个字典Di；2d)将当前循环次数i′与最大循环次数n′进行比较，若i′≤n′，则令i′＝i′+1，返回到2b)，若i′＞n′，则停止循环，得到所有字典D1,...,Di...,Dn；(3)利用(1)中所得的训练切片的词包模型特征W训练m个支持向量机SVM，得到训练后的模型M1,...,Mj...,Mm，j＝1,...,m；(4)利用(2)得到所有的字典和(3)中得到所有的模型对测试样本V进行分类，得到测试样本的分类决策值(5)根据(4)中测试样本的分类决策值利用最大投票法进行分类，即将第k个样本的分类决策值ek与分类阈值t＝(n+m)/2进行比较：如果ek≥t，则第k个测试样本为目标类，否则为杂波类。