概述
(1)基于机器学习的特征提取方法,包括:五种线性方法:
主成分分析(PrincipalComponent Analysis, PCA)、
近邻保持投影(NeighborhoodPreserving Projection, NPP)、
局部保持投影(LocalPreserving Projection, LPP)、
局部切空间排列(LocalTangent Space Alignment, LTSA)、
线性鉴别局部切空间排列(LinearDiscriminant Local Tangent Space Alignment, LDLTSA);
以及与之相对应的五种核方法:
核主成分分析(KernelPrincipal Component Analysis, KPCA)、
核近邻保持投影(Kernel NeighborhoodPreserving Projection, KNPP)、
核局部保持投影(Kernel Local PreservingProjection, KLPP)、
核局部切空间排列(Kernel Local TangentSpace Alignment, KLTSA)、
核鉴别局部切空间排列(Kernel Discriminant LocalTangent Space Alignment, KDLTSA)。
除PCA和KPCA外,其它每种方法又可以分为非监督模型和监督模式。
(2)核非线性分类器,包括支持向量机(SVM)和KernelNonlinear Representor (KNR)。
(3)融合目标识别方法包括:基于典型相关分析(CCA)算法的特征层融合方法和基于D-S证据理论的决策层融合方法。
(4)一维距离像的几何结构特征提取,包括:等效散射中心维数(Nst)、等效目标尺寸(Tsize)、熵(entropy)、标准差(std)、偏差(dev)、最强散射点功率与总功率之比(P1)。
(5)一维距离像目标检测,主要研究经典的二进制积累检测器。
(6)SAR图像目标检测,包括:经典的CFAR检测算法和基于视觉注意模型的检测算法。