本發(fā)明屬于雷達(dá)目標(biāo)識(shí)別技術(shù)領(lǐng)域，特別涉及一種sar目標(biāo)識(shí)別方法，可用于sar圖像的分類(lèi)。

背景技術(shù)：

合成孔徑雷達(dá)sar是一種利用微波進(jìn)行感知的主動(dòng)傳感器，其成像不受客觀因素如光照、氣候的影響，可以全天時(shí)、全天候地對(duì)目標(biāo)進(jìn)行監(jiān)測(cè)，無(wú)論在民用領(lǐng)域還是在軍事領(lǐng)域都具有很高的利用價(jià)值。sar圖像中除包含目標(biāo)外，還包含大量的雜波，加之sar圖像中還包含大量的相干斑，這使得對(duì)sar圖像的檢測(cè)、鑒別和識(shí)別變得十分困難；另外，由于sar目標(biāo)的配置不同和所處環(huán)境的復(fù)雜性，不可能得到所有情況下的訓(xùn)練樣本。因此，如何提高sar目標(biāo)的識(shí)別性能是雷達(dá)目標(biāo)識(shí)別中的一個(gè)重要研究方向。

在sar目標(biāo)識(shí)別方法中主要分以下幾種：

一是基于模板匹配的方法；

二是基于模型的方法；

三是基于稀疏表示的分類(lèi)方法；

四是基于分類(lèi)器設(shè)計(jì)的方法，如k近鄰分類(lèi)器，神經(jīng)網(wǎng)絡(luò)分類(lèi)器，支持向量機(jī)等等。

所述支持向量機(jī)，它是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類(lèi)算法，其通過(guò)引入核函數(shù)，巧妙地解決了高維空間中的內(nèi)積運(yùn)算問(wèn)題，使得核支持向量機(jī)在小樣本、非線性及高維度模式識(shí)別問(wèn)題中表現(xiàn)出了特有的優(yōu)點(diǎn)。

這種將單一數(shù)據(jù)特征結(jié)合支持向量機(jī)而成的分類(lèi)器稱(chēng)為單核學(xué)習(xí)支持向量機(jī)，由于不同的數(shù)據(jù)特征表征數(shù)據(jù)的相似性和區(qū)分性的能力不同，選取不同的數(shù)據(jù)特征，單核學(xué)習(xí)支持向量機(jī)會(huì)表現(xiàn)出完全不同的分類(lèi)性能，因此，單核學(xué)習(xí)支持向量機(jī)僅能表現(xiàn)出某一數(shù)據(jù)特征的特性，不能體現(xiàn)出各數(shù)據(jù)特征之間的關(guān)聯(lián)性，從而影響分類(lèi)器的分類(lèi)性能，使得目標(biāo)識(shí)別率下降。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足問(wèn)題，提出一種基于貝葉斯多核學(xué)習(xí)支持向量機(jī)的sar目標(biāo)識(shí)別方法，以提高目標(biāo)識(shí)別性能。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一、技術(shù)思路

本發(fā)明將貝葉斯推斷與多核學(xué)習(xí)方法相結(jié)合，針對(duì)不同數(shù)據(jù)特征的選取問(wèn)題，引入多核學(xué)習(xí)方法，它具有很好的泛化能力和更強(qiáng)的學(xué)習(xí)能力；同時(shí)，用貝葉斯推斷推理出支持向量機(jī)原始問(wèn)題的解。其實(shí)現(xiàn)方案是：首先，對(duì)原始sar圖像進(jìn)行預(yù)處理，得到圖像域、頻域和稀疏系數(shù)三種數(shù)據(jù)特征并分別計(jì)算對(duì)應(yīng)徑向核函數(shù)rbf的核矩陣；再次，使用多核學(xué)習(xí)算法將三種核矩陣進(jìn)行組合；最后，用訓(xùn)練數(shù)據(jù)的組合核矩陣推理貝葉斯模型并得到最優(yōu)解，并對(duì)測(cè)試數(shù)據(jù)的組合核矩陣分類(lèi)，其實(shí)現(xiàn)步驟包括如下：

(a)sar圖像預(yù)處理步驟：

a1)輸入一幅原始sar圖像：i＝{imn|1≤m≤m,1≤n≤n}，其中，imn表示原始sar圖像的幅度像素值，m表示sar圖像的行數(shù)，n表示sar圖像的列數(shù)；

a2)對(duì)原始sar圖像i進(jìn)行二值分割，并計(jì)算獲得sar圖像的質(zhì)心

a3)將原始sar圖像i進(jìn)行圓周移位，使質(zhì)心移動(dòng)到圖像的中心位置，得到配準(zhǔn)圖像i1；

a4)對(duì)配準(zhǔn)圖像i1依次進(jìn)行對(duì)數(shù)變換、中值濾波和圖像截取，得到sar圖像的圖像域特征i2，并將圖像域特征i2列向量化；

a5)對(duì)配準(zhǔn)圖像i1做圖像截取和二維傅立葉變換，并將零頻移至圖像中心，得到頻域特征i3，并將頻域特征i3列向量化；

a6)分別對(duì)sar圖像訓(xùn)練集和測(cè)試集重復(fù)過(guò)程a1)～a4)得到圖像域特征的訓(xùn)練數(shù)據(jù)集ttr和測(cè)試數(shù)據(jù)集tte；

a7)分別對(duì)sar圖像訓(xùn)練集和測(cè)試集重復(fù)過(guò)程a1)～a5)得到頻域特征的訓(xùn)練數(shù)據(jù)集ptr和測(cè)試數(shù)據(jù)集pte；

a8)使用ksvd算法對(duì)圖像域特征訓(xùn)練集ttr學(xué)習(xí)，得到字典d和與ttr對(duì)應(yīng)的稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集str，結(jié)合字典d和圖像域特征測(cè)試數(shù)據(jù)集tte，使用omp算法計(jì)算得到稀疏系數(shù)特征測(cè)試數(shù)據(jù)集ste；

(b)多核學(xué)習(xí)步驟：

b1)使用徑向核函數(shù)rbf，結(jié)合圖像域特征訓(xùn)練數(shù)據(jù)集ttr和測(cè)試數(shù)據(jù)集tte，計(jì)算得到圖像域特征訓(xùn)練數(shù)據(jù)集的核矩陣kttr(ttr,ttr)和圖像域特征測(cè)試數(shù)據(jù)集核矩陣ktte(ttr,tte)；

b2)使用徑向核函數(shù)rbf，結(jié)合頻域特征訓(xùn)練數(shù)據(jù)集ptr和測(cè)試數(shù)據(jù)集pte，計(jì)算得到頻域特征訓(xùn)練數(shù)據(jù)集的核矩陣kptr(ptr,ptr)和頻域特征測(cè)試數(shù)據(jù)集核矩陣kpte(ptr,pte)；

b3)使用徑向核函數(shù)rbf，結(jié)合稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集str和測(cè)試數(shù)據(jù)集ste，計(jì)算得到稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集的核矩陣kstr(str,str)和稀疏系數(shù)特征測(cè)試數(shù)據(jù)集核矩陣kste(str,ste)；

b4)結(jié)合步驟b1)～b3)中計(jì)算得到的三種特征的訓(xùn)練集核矩陣和測(cè)試集核矩陣，使用核組合方法計(jì)算獲得sar圖像訓(xùn)練集的組合核矩陣ktr(v',vtr)和測(cè)試集的組合核矩陣kte(v',vte)，其中，v'表示基向量集，vtr表示sar圖像訓(xùn)練數(shù)據(jù)集，vte表示sar圖像測(cè)試數(shù)據(jù)集；

(c)貝葉斯推理步驟：

c1)使用sar圖像訓(xùn)練集的組合核矩陣ktr(v',vtr)建立貝葉斯多核學(xué)習(xí)支持向量機(jī)模型；

c2)使用期望最大化算法em求解貝葉斯多核學(xué)習(xí)支持向量機(jī)模型，獲得貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的最優(yōu)解β'；

c3)使用步驟c2)中得到的貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的最優(yōu)解β'，結(jié)合sar圖像測(cè)試集的組合核矩陣kte(v',vte)，計(jì)算得到sar圖像目標(biāo)類(lèi)別標(biāo)號(hào)yte。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)：

本發(fā)明將貝葉斯支持向量機(jī)模型與多核學(xué)習(xí)方法相結(jié)合，提出了基于貝葉斯多核學(xué)習(xí)支持向量機(jī)的sar目標(biāo)識(shí)別方法，使得多核學(xué)習(xí)方法在選取數(shù)據(jù)特征方面優(yōu)于單核學(xué)習(xí)方法，更能體現(xiàn)出不同數(shù)據(jù)特征之間的關(guān)聯(lián)性，顯著地提高了目標(biāo)識(shí)別性能。

附圖說(shuō)明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為本發(fā)明中對(duì)sar圖像預(yù)處理過(guò)程示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施步驟和效果做進(jìn)一步說(shuō)明：

參照?qǐng)D1本發(fā)明的實(shí)現(xiàn)步驟如下。

步驟1，對(duì)sar圖像進(jìn)行預(yù)處理及核矩陣計(jì)算。

1a)輸入一幅如圖2(a)所示的原始sar圖像：i＝{imn|1≤m≤m,1≤n≤n}，其中，imn表示原始sar圖像的幅度像素值，m表示sar圖像的行數(shù)，n表示sar圖像的列數(shù)；

1b)使用變冪次ostu分割算法對(duì)原始sar圖像i進(jìn)行二值分割，得到分割后的sar圖像i'；

1c)將分割后的sar圖像i'和原始sar圖像i進(jìn)行點(diǎn)乘計(jì)算，得到的點(diǎn)乘后sar圖像如圖2(b)所示，并計(jì)算點(diǎn)乘后sar圖像的質(zhì)心

式中，i'mn表示點(diǎn)乘后sar圖像的像素值；

1d)將原始sar圖像i進(jìn)行圓周移位，使得質(zhì)心移至圖像中心位置，得到配準(zhǔn)sar圖像i1，如圖2(c)所示；

1e)對(duì)配準(zhǔn)sar圖像i1進(jìn)行圖像截取得到截取sar圖像i0，如圖2(d)所示；

1f)對(duì)截取sar圖像i0做對(duì)數(shù)變換得到對(duì)數(shù)sar圖像i”'，如圖2(e)所示；

1g)對(duì)對(duì)數(shù)sar圖像i”'做中值濾波處理，獲得圖像域特征i2，如圖2(f)所示，將圖像域特征i2列向量化；

1h)對(duì)配準(zhǔn)sar圖像i1做圖像截取和二維傅立葉變換，并將零頻移至圖像中心，得到頻域特征i3，并將頻域特征i3列向量化；

1i)分別對(duì)原始sar圖像的訓(xùn)練集和測(cè)試集重復(fù)1a)～1g)，得到圖像域特征的訓(xùn)練數(shù)據(jù)集ttr和測(cè)試數(shù)據(jù)集tte；

1j)分別對(duì)原始sar圖像的訓(xùn)練集和測(cè)試集重復(fù)1a)～1h)，得到頻域特征的訓(xùn)練數(shù)據(jù)集ptr和測(cè)試數(shù)據(jù)集pte；

1k)使用ksvd算法對(duì)圖像域特征訓(xùn)練集ttr學(xué)習(xí)，得到字典d和與ttr對(duì)應(yīng)的稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集str，結(jié)合字典d和圖像域特征測(cè)試數(shù)據(jù)集tte，使用omp算法計(jì)算得到稀疏系數(shù)特征測(cè)試數(shù)據(jù)集ste。

步驟2，對(duì)步驟1中得到的三種sar圖像特征進(jìn)行多核學(xué)習(xí)計(jì)算。

2a)使用徑向核函數(shù)rbf，結(jié)合圖像域特征訓(xùn)練數(shù)據(jù)集ttr和測(cè)試數(shù)據(jù)集tte，計(jì)算得到圖像域特征訓(xùn)練數(shù)據(jù)集的核矩陣kttr(ttr,ttr)和圖像域特征測(cè)試數(shù)據(jù)集核矩陣ktte(ttr,tte)，其中徑向核函數(shù)rbf表示如下：

式中，q'和q表示同一空間的兩個(gè)數(shù)據(jù)點(diǎn)，k(q',q)表示計(jì)算得到的徑向核函數(shù)值，σ表示徑向核函數(shù)參數(shù)；

2b)使用徑向核函數(shù)rbf，結(jié)合頻域特征訓(xùn)練數(shù)據(jù)集ptr和測(cè)試數(shù)據(jù)集pte，計(jì)算得到頻域特征訓(xùn)練數(shù)據(jù)集的核矩陣kptr(ptr,ptr)和頻域特征測(cè)試數(shù)據(jù)集核矩陣kpte(ptr,pte)；

2c)使用徑向核函數(shù)rbf，結(jié)合稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集str和測(cè)試數(shù)據(jù)集ste，計(jì)算得到稀疏系數(shù)特征訓(xùn)練數(shù)據(jù)集的核矩陣kstr(str,str)和稀疏系數(shù)特征測(cè)試數(shù)據(jù)集核矩陣kste(str,ste)；

2d)結(jié)合步驟2a)～2c)中計(jì)算得到的三種特征的訓(xùn)練集核矩陣，使用核組合方法計(jì)算獲得sar圖像訓(xùn)練集的組合核矩陣ktr(v',vtr)：

ktr(v',vtr)＝ηtkttr(ttr,ttr)+ηpkptr(ptr,ptr)+ηskstr(str,str)

式中，ηt表示圖像域特征數(shù)據(jù)集核矩陣的組合系數(shù)，取值為0.5，

ηp表示頻域特征數(shù)據(jù)集核矩陣的組合系數(shù)，取值為0.5，

ηs表示稀疏系數(shù)特征核矩陣的組合系數(shù)；取值為0.5；

2e)結(jié)合步驟2a)～2c)中計(jì)算得到的三種特征的測(cè)試集核矩陣，使用核組合方法計(jì)算獲得sar圖像測(cè)試集的組合核矩陣kte(v',vte)：

kte(v',vte)＝ηtktte(ttr,tte)+ηpkpte(ptr,pte)+ηskste(str,ste)。

步驟3，構(gòu)建貝葉斯多核學(xué)習(xí)支持向量機(jī)模型。

3a)給定樣本集其中，xl表示訓(xùn)練樣本，yl表示訓(xùn)練標(biāo)號(hào)，q表示樣本維度，l表示樣本數(shù)量，t表示矩陣轉(zhuǎn)置符號(hào)；支持向量機(jī)最大邊緣分類(lèi)器的無(wú)約束條件表達(dá)式為：

式中,第一項(xiàng)為正則項(xiàng)，第二項(xiàng)為懲罰項(xiàng)；表示增廣向量，表示增廣權(quán)值，γ表示調(diào)和參數(shù)；

3b)根據(jù)拉格朗日對(duì)偶性得到支持向量機(jī)svm最大邊緣分類(lèi)器的增廣權(quán)值解式中，αj表示拉格朗日系數(shù)；

將代入到懲罰項(xiàng)中，得：在懲罰項(xiàng)中引入映射函數(shù)φ(·)，得到引入映射函數(shù)后的懲罰項(xiàng)表達(dá)式：

令式中βj＝αjyj，得到最終的懲罰項(xiàng)表達(dá)式：

式中，β＝(β1,…,βj,…,βl),表示增廣向量與增廣向量的核函數(shù)值，δ表示訓(xùn)練樣本矩陣；

3c)構(gòu)造正則項(xiàng)為將該正則項(xiàng)與最終的懲罰項(xiàng)相加，得到最終的目標(biāo)函數(shù)d(β)為：

式中，κ表示調(diào)和參數(shù)；

3d)計(jì)算目標(biāo)函數(shù)中正則項(xiàng)負(fù)數(shù)的指數(shù)，并將其定義為偽先驗(yàn)分布函數(shù)：

3e)計(jì)算目標(biāo)函數(shù)中的最終的懲罰項(xiàng)負(fù)數(shù)的指數(shù)，將其定義為偽似然分布函數(shù)：

式中，y＝(y1,…,yl,…,yl)，δ'表示訓(xùn)練樣本矩陣；

3f)根據(jù)步驟3d)和步驟3e)中的計(jì)算結(jié)果，得到偽后驗(yàn)分布函數(shù)：

p(β|y,k(δ,δ'))∝p(β)p(y|β,k(δ,δ'))，

3h)用sar圖像訓(xùn)練數(shù)據(jù)集的組合核矩陣ktr(v',vtr)替換步驟3f)中的k(δ,δ')，建立貝葉斯多核學(xué)習(xí)支持向量機(jī)模型：

p(β|y,ktr(v',vtr))∝p(β)p(y|β,ktr(v',vtr))

式中，ktr(v',vtr)＝(ktr(v',v1),…,ktr(v',vl),…,ktr(v',vl))，ktr(v',vl)表示基向集與訓(xùn)練樣本做內(nèi)積計(jì)算后構(gòu)成的向量，p(y|β,ktr(v',vtr))為引入組合核矩陣后的偽似然分布函數(shù)，其中:

步驟4，求解貝葉斯多核學(xué)習(xí)支持向量機(jī)模型。

4a)用含λl的積分表達(dá)式表征步驟3h)中引入組合核矩陣后的偽似然分布函數(shù)：

其中，偽似然分布函數(shù)有下關(guān)系式：

p(yl|β,ktr(v',vl))＝∫p(yl,λl|β,ktr(v',vl))dλl

其中，vl表示訓(xùn)練樣本，λl表示隱變量，p(yl,λl|β,ktr(v',vl))為加入隱變量后的偽似然分布函數(shù)；

4b)根據(jù)步驟4a)中加入隱變量后的偽似然分布函數(shù)，在貝葉斯多核學(xué)習(xí)支持向量機(jī)模型中引入新變量λ，得到新的關(guān)系表達(dá)式：

p(β,λ|y,ktr(v',vtr))∝p(β)p(y,λ|β,ktr(v',vtr))

其中，

式中，λ表示隱變量向量，λ＝(λ1,…,λl,…,λl)；

4c)根據(jù)步驟4b)中的新的關(guān)系表達(dá)式得到λ的后驗(yàn)分布函數(shù)：

式中，

4d)根據(jù)4c)中得到的λ的后驗(yàn)分布函數(shù)，得到λl的條件后驗(yàn)分布：

式中，表示廣義逆高斯分布，根據(jù)與之間的轉(zhuǎn)換關(guān)系，得到的條件后驗(yàn)分布：

式中，表示逆高斯分布，～表示分布函數(shù)中的服從符號(hào)；

4e)根據(jù)4d)中的條件后驗(yàn)分布和逆高斯分布的性質(zhì)得到的期望值：

4f)根據(jù)步驟4b)中得到的新的關(guān)系表達(dá)式和4e)中得到的的期望值，使用期望最大化算法em求解貝葉斯多核學(xué)習(xí)支持向量機(jī)模型，得到貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的迭代解β^(m+1)的表達(dá)式：

式中，m表示第m次迭代次數(shù)，i表示單位矩陣，表示的第m次期望迭代值；

4g)設(shè)定最大迭代次數(shù)為m'，重復(fù)步驟4f)，當(dāng)?shù)螖?shù)達(dá)到m'時(shí)迭代停止，最終得到貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的最優(yōu)解β'：

步驟5，計(jì)算得到sar圖像目標(biāo)識(shí)別類(lèi)別標(biāo)號(hào)。

5a)利用步驟4g)中得到的貝葉斯多核學(xué)習(xí)支持向量機(jī)模型的最優(yōu)解β'，結(jié)合sar圖像測(cè)試數(shù)據(jù)集kte(v',vte)，使用下式得到sar圖像目標(biāo)識(shí)別標(biāo)號(hào)yte：

yte＝sgn(β'^tkte(v',vte))

式中，sgn(·)表示符號(hào)函數(shù)。

至此，完成對(duì)sar目標(biāo)的分類(lèi)。

本發(fā)明的效果通過(guò)以下對(duì)實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)進(jìn)一步說(shuō)明：

1.實(shí)驗(yàn)場(chǎng)景與參數(shù)：

實(shí)驗(yàn)中所用的數(shù)據(jù)為公開(kāi)的動(dòng)態(tài)與靜態(tài)目標(biāo)獲取與識(shí)別mstar數(shù)據(jù)集。在該數(shù)據(jù)集中，選取17°俯仰角下bmp2sn9563、btr70c71、t72sn132型號(hào)圖像數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，15°俯仰角下7種型號(hào)圖像數(shù)據(jù)作為測(cè)試數(shù)據(jù)，稱(chēng)bmp2sn9566、bmp2snc21為bmp2sn9563的變體，t72sns7、t72sn812為t72sn132的變體,原始圖像尺寸為128×128。

本實(shí)驗(yàn)所用的數(shù)據(jù)類(lèi)型及樣本數(shù)如表1所示：

表1mstar實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)參數(shù)設(shè)定如下：

sar圖像經(jīng)預(yù)處理后的圖像尺寸大小為63×63；圖像域特征對(duì)應(yīng)的徑向核參數(shù)σt＝1，頻域特征對(duì)應(yīng)的徑向核參數(shù)σp＝0.1，稀疏系數(shù)特征對(duì)應(yīng)的徑向核參數(shù)σs＝1，貝葉斯多核學(xué)習(xí)支持向量機(jī)模型中新的調(diào)和參數(shù)κ＝0.01；

2.本實(shí)驗(yàn)內(nèi)容與結(jié)果：

用本發(fā)明方法與其他現(xiàn)有的5種方法對(duì)mstar三類(lèi)數(shù)據(jù)集進(jìn)行分類(lèi)，其中第1種是線性支持向量機(jī)，第2種是單核學(xué)習(xí)支持向量機(jī)，第3種是多核學(xué)習(xí)支持向量機(jī)，第4種是貝葉斯支持向量機(jī)，第5種是貝葉斯單核學(xué)習(xí)支持向量機(jī)；

用本發(fā)明方法進(jìn)行目標(biāo)識(shí)別的實(shí)驗(yàn)步驟如下：

首先，對(duì)實(shí)驗(yàn)中的mstar三類(lèi)數(shù)據(jù)進(jìn)行預(yù)處理，并使用徑向核函數(shù)計(jì)算得到三種特征核矩陣，即圖像域特征核矩陣、頻域特征核矩陣和稀疏系數(shù)特征核矩陣；

接著，使用組合核方法對(duì)這三種特征核函數(shù)矩陣進(jìn)行組合，得到mstar三類(lèi)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

然后，將mstar三類(lèi)數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集分別代入到貝葉斯多核學(xué)習(xí)支持向量機(jī)的最優(yōu)解的表達(dá)式和隱變量期望值的表達(dá)式中，設(shè)定最大迭代次數(shù)，最終得到貝葉斯多核學(xué)習(xí)支持向量機(jī)的最優(yōu)解；

最后，根據(jù)上述得到的最優(yōu)解結(jié)合mstar三類(lèi)數(shù)據(jù)的測(cè)試數(shù)據(jù)集，計(jì)算得到目標(biāo)識(shí)別標(biāo)號(hào)。

將用本發(fā)明方法對(duì)mstar三類(lèi)數(shù)據(jù)的識(shí)別結(jié)果與其他5種方法的識(shí)別結(jié)果對(duì)比，如表2。

表2本發(fā)明方法與其他方法對(duì)mstar三類(lèi)數(shù)據(jù)的結(jié)果對(duì)比表

從表2可以看出：本發(fā)明提出的貝葉斯多核學(xué)習(xí)支持向量機(jī)模型對(duì)sar圖像三類(lèi)目標(biāo)的識(shí)別率為99.12％，相比與其他方法的結(jié)果有顯著提高，說(shuō)明本方法對(duì)sar圖像目標(biāo)識(shí)別的性能有明顯提升。