[发明专利]基于集成学习的SAR目标鉴别方法

权利要求书

1.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,...,D_i...,D_n，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,...,N_i,...,N_n}，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,...,N_i,...,N_n}中第i＝i′个子集N_i，与目标类训练样本一起再构成新的训练样本T_i＝[P,N_i]；

2c)利用新的训练样本T_i＝[P,N_i]进行代价敏感的字典学习，得到第i个字典D_i；

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,...,D_i...,D_n；

(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,...,M_j...,M_m，j＝1,...,m；

(4)利用(2)得到所有的字典D₁,...,D_i...,D_n和(3)中得到所有的模型M₁,...,M_j...,M_m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e_k与分类阈值t＝(n+m)/2进行比较：如果e_k≥t，则第k个测试样本为目标类，否则为杂波类。