基于Laplacian正则化最小二乘的半监督SAR目标识别

被引：12

作者：

张向荣 ^{[1
,2
]}

阳春 ^{[1
,2
]}

焦李成 ^{[1
,2
]}

机构：

[1] 西安电子科技大学智能感知与图像理解教育部重点实验室

[2] 西安电子科技大学智能信息处理研究所

来源：

软件学报 | 2010年 / 21卷 / 04期

关键词：

核主成分分析; 半监督学习; 拉普拉斯正则化最小二乘分类; SAR目标识别;

D O I：

暂无

中图分类号：

TN957.52 [数据、图像处理及录取];

学科分类号：

080904 ; 0810 ; 081001 ; 081002 ; 081105 ; 0825 ;

摘要：

提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.

引用

页码：586 / 596

页数：11

共 5 条

[1] 基于谱图理论的流形学习算法 [J].