本文選題：SAR目標(biāo)識(shí)別 + 非負(fù)稀疏表示　； 參考：《電子與信息學(xué)報(bào)》2014年09期

【摘要】：針對(duì)合成孔徑雷達(dá)(SAR)圖像目標(biāo)識(shí)別中存在物體遮擋的情況,該文提出一種基于非負(fù)稀疏表示的分類方法。通過(guò)分析L0范數(shù)和L1范數(shù)最小化在求解非負(fù)稀疏表示問(wèn)題上的區(qū)別,證明在一定條件下,L1范數(shù)最小化方法除了保持解的稀疏性還能得到與輸入信號(hào)更加相似的原子集合,因此也更加適用于分類問(wèn)題中。在運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(MSTAR)數(shù)據(jù)集上的識(shí)別實(shí)驗(yàn)結(jié)果表明,采用L1范數(shù)的非負(fù)稀疏表示分類方法能達(dá)到較好的識(shí)別性能,并且相對(duì)傳統(tǒng)方法對(duì)存在遮擋情況下的識(shí)別問(wèn)題更穩(wěn)健。
[Abstract]:In this paper, a classification method based on non-negative sparse representation is proposed to solve the problem of object occlusion in synthetic aperture radar (SAR) image recognition. By analyzing the difference between L _ 0 norm and L _ 1 norm minimization in solving the non-negative sparse representation problem, it is proved that under certain conditions, in addition to preserving the sparsity of the solution, we can obtain an atomic set more similar to the input signal. Therefore, it is more suitable for classification problems. The experimental results on the moving and stationary target acquisition and recognition data sets show that the non-negative sparse representation classification method based on L1 norm can achieve better recognition performance. And it is more robust than the traditional method in the case of occlusion.
【作者單位】： 西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金(61271024,61201292,61201283) 新世紀(jì)優(yōu)秀人才支持計(jì)劃(NCET-09-0630) 全國(guó)優(yōu)秀博士學(xué)位論文作者專項(xiàng)資金(FANEDD-201156) 國(guó)家部委基金 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助課題
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉曉山;付國(guó)蘭;;基于脊波變換的圖像壓縮[J];電腦與信息技術(shù);2007年02期

2 劉曉山;付國(guó)蘭;;基于脊波變換和SPIHT算法相結(jié)合的圖像壓縮[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

3 王華丹;劉海林;;稀疏盲源分離問(wèn)題的恢復(fù)性研究[J];廣東工業(yè)大學(xué)學(xué)報(bào);2008年02期

4 談華f，

本文編號(hào)：2047443