扩展工作条件下基于核免疫集成的SAR目标识别关键技术研究

Under the extended operating condition (EOC), it is difficult to obtain comprehensive information on the synthetic aperture radar (SAR) target, and coupled with the impact of speckle noise it becomes a challenging task for the SAR image segmentation and target recognition. Borrowing artificial immune network structure adaptive characteristic and immune multi-objective global optimization performance, the project attempts to make thorough research on correlative techniques for SAR image segmentation and recognition with a strong focus on bionics based on the theories of support vector domain description (SVDD). The project firstly attempts to make thorough research on effective SAR image feature extraction method, then to research a novel completely unsupervised immune clustering network based on the reform of antibody recognition neighborhood by SVDD. Taking the design of a structure adaptive immune antibody network as the core, and associating with watershed and minimum spanning tree algorithms, we want to structure a fully unsupervised SAR image segmentation layered model. Good segmentation results will establish the good foundation for the follow-up SAR automatic target recognition(ATR). These study achievements will be efficiently applied to the complex SAR ATR system, and have important research values and broad application prospects.

在扩展工作条件(EOC)下，难以获得SAR目标的全面信息，再加上斑点噪声的影响，使得SAR图像分割和目标识别成为极具挑战性的任务。本项目借鉴免疫网络的结构自适应性和免疫全局优化特点，结合支持向量域描述理论，拟从仿生学角度给出解决问题的途径。首先研究有效的SAR图像不变特征的提取方法，然后利用支持向量域描述理论来改造抗体的识别邻域，构建一种完全非监督的免疫网络聚类算法，以结构自适应免疫抗体网络的构建为核心，结合分水岭和最小生成树算法来设计一种完全非监督的SAR图像层次分割模型。良好的分割结果将为后续SAR自动目标识别奠定很好的基础。这些研究成果将为SAR自动目标识别提供理论依据和技术支撑，具有重要的研究价值和广阔的应用前景。

本项目围绕SAR目标识别中极具挑战性的任务SAR图像分割问题，借鉴免疫网络的结构自适应性和免疫全局优化特点，结合支持向量域描述理论，从仿生学角度给出了解决问题的途径。首先研究了有效的SAR图像不变特征的提取方法，然后利用支持向量域描述理论来改造抗体的识别邻域，构建了一种完全非监督的免疫网络聚类算法，以结构自适应免疫抗体网络的构建为核心，结合分水岭和最小生成树算法设计了一种完全非监督的SAR图像层次分割模型。新算法可以处理非平坦分布的数据，并有利于简化支持向量域的计算且利于参数设定。在合成纹理图像和SAR图像的分割结果显示本算法可获得更加优越的聚类性能和分割结果。良好的分割结果将为后续SAR自动目标识别奠定很好的基础。基于人工免疫的克隆选择机理，提出一种新的半监督的高斯混合模型聚类算法。将免疫克隆选择算法与EM算法整合为一个算法，用于估计半监督情况下高斯混合模型的参数和分量数，该算法整合了部分样本中的先验限制条件，包括成对样本间的正限制和负限制，克服了单纯用EM算法的各种不足。实验表明，新算法在各种含有同等先验限制的半监督数据聚类中，较其它经典算法都具有较为明显的提高，能够获得更高精度的聚类结果。这些研究成果将为SAR自动目标识别提供理论依据和技术支撑，具有重要的研究价值和广阔的应用前景。

内容获取失败，请点击重试