研究目的
主要目标是通过大量实验展示WSCN应用于合成孔径雷达自动目标识别(SAR ATR)的优越性。该方法采用旋转平移散射卷积网络提取SAR图像的目标散射能量特征,进而利用提取的特征训练高斯核支持向量机(SVM)进行分类。
研究成果
基于小波散射卷积网络的合成孔径雷达自动目标分类方法在标准工作条件下实现了高分类精度,并对配置变化表现出鲁棒性。然而,当俯仰角发生显著变化时,其性能会下降。该方法降低了对训练样本数量的依赖和过拟合概率,因而更适用于SAR自动目标识别任务。
研究不足
所提出的方法对俯仰角的重大变化较为敏感,这会影响分类准确性。此外,与标准运行条件(SOC)相比,该方法在扩展运行条件(EOC)下的性能较低。
1:实验设计与方法选择:
本研究采用具有复小波滤波器的小波散射卷积网络(WSCN)对空间和角度变量进行特征提取,随后通过常规降维和支持向量机(SVM)分类器进行分类。
2:样本选择与数据来源:
使用MSTAR基准数据集,在标准操作条件(SOC)和扩展操作条件(EOC)下测试包含10类地面军事目标的SAR图像。
3:实验设备与材料清单:
研究利用桑迪亚国家实验室(SNL)SAR传感器在MSTAR项目下采集的SAR图像。
4:实验流程与操作步骤:
所提方法包括使用WSCN进行特征提取、降维及SVM分类,性能评估基于SOC和EOC下的分类准确率。
5:数据分析方法:
通过正确分类百分比(Pcc)和混淆矩阵评估分类准确率。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容