[发明专利]基于多视角学习的极化SAR数据分类器实时更新方法

权利要求书

1.一种基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，包括以下步骤：

步骤S1，基于t时刻的极化SAR图像，提取样本极化特征颜色特征纹理特征三视角数据；

步骤S2，基于通过在线多视角分类模型，估计样本的地物类别标签

步骤S3，根据真实地物类别标签y_t计算损失l_t，通过与设定损失阈值对比判断样本是否被正确表示；如果样本被错误表示，则通过拉格朗日乘子法求解所述在线多视角分类模型闭式解的方法，对所述在线多视角分类模型中的分类器进行更新；

步骤S4，获取t+1时刻的极化SAR图像后，重复步骤S1至步骤S3，直至全部极化SAR图像处理完毕；

其中，所述在线多视角分类模型包括二分类任务的在线多视角分类模型和多分类任务的在线多视角分类模型；

所述多分类任务的在线多视角分类模型为：

估计的样本类别标签为

预测函数为r_i∈(0，1)为权重参数且满足

损失函数为y_t为真实的样本类别标签，y_t∈Y＝{1，2，...，K}，K表示类别标签的总数，

为t时刻分类器的权重矩阵，m为提取样本的视角数量，λ_i为不同视角距离变差的均衡参数，d_i为视角间的耦合参数，c为一个正的惩罚参数，ξ为松弛变量，是t+1时刻分类器的权重矩阵，n_i是第i个视角的维数且i＝1，...，m，f_t+1为t+1时刻的预测函数，为第i视角在t时刻的样本；F为矩阵的Forbenius范数。

2.根据权利要求1所述的基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，所述在线多视角分类模型为二分类任务的在线多视角分类模型；

所述二分类任务的在线多视角分类模型为：

估计的样本类别标签为

预测函数为r_i∈(0，1)为权重参数且满足

损失函数为l_t＝max{0，1-y_tf_t}，y_t为真实的样本标签；

s.t.l_t＝max{0，1-y_tf_t}≤ξ；ξ≥0

其中，为t时刻分类器的权重向量，m为提取样本的视角数量，λ_i为不同视角距离变差的均衡参数，d_i为视角间的耦合参数，c为一个正的惩罚参数，ξ为松弛变量，为待求的t+1时刻分类器的权重向量，f_t+1为t+1时刻的预测函数，为t时刻视角为i的样本。

3.根据权利要求2所述的基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，通过拉格朗日乘子法求解所述在线多视角分类模型闭式解的方法，对所述在二分类任务的线多视角分类模型中的分类器进行更新，其方法为：

其中，

4.根据权利要求3所述的基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，所述在线多视角分类模型的初始化分类器权重为一个随机的n_i维的列向量，i为提取的第i个视角样本。

5.根据权利要求1所述的基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，通过拉格朗日乘子法求解所述在线多视角分类模型闭式解的方法，对所述在多分类任务的线多视角分类模型中的分类器进行更新，其方法为：

其中，

6.根据权利要求5所述的基于多视角学习的极化SAR数据分类器实时更新方法，其特征在于，所述在线多视角分类模型的初始化分类器权重初始化为一个随机的K×n_i的矩阵，i为提取的第i个视角样本。