基于支持向量机的合成孔径雷达图像目标识别-计算机应用技术专业毕业论文.docx

独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。签名: 黄明日期: 2011年 10月 28 日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后应遵守此规定)签名:黄明 导师签名:皮亦鸣日期:2011年10月28日摘要摘 要合成孔径雷达(SyntheticApertureRadar,SAR)作为微波遥感的代表,在地球科学遥感领域有着独特的优势,广泛地应用于军事、农业、地质、海洋监视、灾情监视等领域。如何实现SAR图像的目标的准确识别,同时提高运算速度,成为了图像处理与解译领域的研究热点。作为建立在统计学****理论基础上新一代的机器学****技术,支持向量机(SupportVectorMachine,SVM)在小训练样本、非线性情况下具有较好的泛化性能和推广能力。本文将支持向量机的有关方法应用于SAR图像的目标识别方向,主要工作有:介绍SVM理论,总结出SVM的基本思想和应用方向;综述SAR图像目标识别的研究现状,总结SAR图像目标识别的一般流程和关键技术;介绍基于小波变换的目标特征提取方法,验证该方法具有较高的特征提取准确率;介绍基于核的主成分分析方法(KPCA),采用构造核函数的方式,巧妙避开非常复杂繁琐的点积运算,有效地解决了大规模样本集带来的巨大运算量难题,提高运算速度;在常用支持向量机算法的基础上提出增量训练算法,即根据训练集中支持向量的分布特点,用支持向量来替代样本集,实现了小规模的矩阵运算。经仿真验证,基于增量算法支持向量机的SAR图像目标识别,在小样本、非线性情况下能够达到较高的识别率,并且提高了运算速度,缩短了训练时间。最后,采用KPCA特征选择方法和支持向量机结合的方法对SAR图像进行目标识别,试验结果证明:采用KPCA特征选择方法和SVM增量训练算法结合的方法可以取得较高的识别精度,且运行时间大大缩短,是一种有效的SAR目标识别方法。关键词:支持向量机,合成孔径雷达,目标识别,小波变换,增量训练算法I ABSTRACT ABSTRACTAsarepresentativeofmicrowaveremotesensing,Syntheticapertureradar(SAR),agriculture,geology,marinemonitoring,,SupportVectorMachine(SVM)traininginsmallsamples,non-:Firstly,introducesSVMtheory,,reviewsSARimagetargetresearchstatus,,(KPCA),plicateddotproductoperation,putationproblemsinlarge-scalesample,andimprovetheoperat