1.基于在线局部Fisher矢量机的SAR图像目标识别方法,其特征在于,包括以下步骤:S1、对SAR图像训练数据进行裁剪并在行上堆叠为向量数据,对向量数据划分预训练集并利用预训练集中的SAR图像训练数据进行分类模型预训练,以得到一次更新的分类模型参数;
S2、将一次更新后的分类模型参数作为初值输入分类模型,并将预训练集加入缓冲池,在分类模型接收到任意样本数据时,将样本数据加入缓冲池对分类模型进行训练,并遍历所有样本数据以得到二次更新的分类模型参数;
S3、对SAR图像检测数据进行裁剪并在行上堆叠为向量数据,利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类;
所述分类模型的函数形式为:
T n
其中,f(x)为分类模型函数值;K(xi,x)为核函数;α=[α1,…,αn]∈R为分类模型参数,n为预训练集中的数据个数;在预训练时,将α初始化为0向量;在步骤S1中,对预训练集中的第t(t≤n)个样本(xt,yt),采用以下公式进行分类模型参数一次更新:其中,ft(xi)表示第t次迭代产生的分类模型函数值,ηt表示学习率,λ1和λ2为非负正则(t+1) t+1项系数,wit表示关联xi与xt两点的边权重值;α ∈R 表示第t+1轮预训练结束后的分类模型参数,其具体形式为 当t=n时,预训练结束,得到一次更新后的分类模型参数α;
在步骤S2中,采用以下公式进行分类模型参数二次更新:
(t+1)
其中,ηt表示学习率,γA和γI为正则项系数;α 表示第t+1次更新之后的α,其具体形式为 表示样本xt对应的缓冲池中异类最近邻样本, 表示xt对应的缓冲池中同类最近邻样本, 表示 对应的 值, 表示 对应的值,n<t≤l,tb,tw∈[1,m],m表示缓冲池中样本个数;遍历完所有样本数据后,得到二次更新后的分类模型参数α。
2.如权利要求1所述的基于在线局部Fisher矢量机的SAR图像目标识别方法,其特征在于,步骤S3中采用如下规则对数据进行预测分类;
其中,f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。
3.基于在线局部Fisher矢量机的SAR图像目标识别系统,其特征在于,包括以下模块:数据预处理模块,用于对SAR图像训练数据进行裁剪并在行上堆叠为向量数据,对向量数据划分预训练集并利用预训练集中的SAR图像训练数据进行分类模型预训练,以得到一次更新的分类模型参数;
分类模型训练模块,用于将一次更新后的分类模型参数作为初值输入分类模型,并将预训练集加入缓冲池,在分类模型接收到任意样本数据时,将样本数据加入缓冲池对分类模型进行训练,并遍历所有样本数据以得到二次更新的分类模型参数;
预测模块,用于对SAR图像检测数据进行裁剪并在行上堆叠为向量数据,利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类;
所述分类模型的函数形式为:
T n
其中,f(x)为分类模型函数值;K(xi,x)为核函数;α=[α1,…,αn]∈R为分类模型参数,n为预训练集中的数据个数;在预训练时,将α初始化为0向量;在步骤S1中,对预训练集中的第t(t≤n)个样本(xt,yt),采用以下公式进行分类模型参数一次更新:其中,ft(xi)表示第t次迭代产生的分类模型函数值,ηt表示学习率,λ1和λ2为非负正则(t+1) t+1项系数,wit表示关联xi与xt两点的边权重值;α ∈R 表示第t+1轮预训练结束后的分类模型参数,其具体形式为 当t=n时,预训练结束,得到一次更新后的分类模型参数α;
在所述分类模型训练模块中,采用以下公式进行分类模型参数二次更新:(t+1)
其中,ηt表示学习率,γA和γI为正则项系数;α 表示第t+1次更新之后的α,其具体形式为 表示样本xt对应的缓冲池中异类最近邻样本, 表示xt对应的缓冲池中同类最近邻样本, 表示 对应的 值, 表示 对应的值,n<t≤l,tb,tw∈[1,m],m表示缓冲池中样本个数;遍历完所有样本数据后,得到二次更新后的分类模型参数α。
4.如权利要求3所述的基于在线局部Fisher矢量机的SAR图像目标识别系统,其特征在于,在所述预测模块中,采用如下规则对数据进行预测分类;
其中,f(x)为利用二次更新的分类模型参数计算得到的分类模型函数值。