属性散射中心匹配及其在SAR目标识别中的应用

丁柏圆; 文贡坚; 余连生; 马聪慧

doi:10.12000/JR16104

属性散射中心匹配及其在SAR目标识别中的应用

DOI: 10.12000/JR16104

丁柏圆^①, ,,
文贡坚^①,
余连生^②,
马聪慧^①

①.
国防科学技术大学ATR重点实验室长沙 410073
②.
中国天绘卫星中心北京 102102

基金项目:

教育部新世纪优秀人才支持计划 NCET-11-0866

详细信息

作者简介:
丁柏圆 (1990–), 男, 博士研究生, 研究方向为SAR自动目标识别。E-mail:Dingbaiyuan_NUDT@163.com

文贡坚 (1972–), 男, 教授, 博士生导师, 研究方向为遥感图像处理

余连生 (1984–), 男, 助理工程师, 研究方向为摄影测量与遥感

马聪慧 (1987–), 女, 1987年生, 博士研究生, 研究方向为SAR自动目标识别

通讯作者:
丁柏圆, E-mail:Dingbaiyuan_NUDT@163.com

中图分类号: TN957
计量
- 文章访问数: 5207
- HTML全文浏览量: 1153
- PDF下载量: 1362
- 被引次数: 99
出版历程
- 收稿日期: 2016-09-15
- 修回日期: 2016-11-25
- 网络出版日期: 2017-04-28

Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition

Ding Baiyuan^{①
, ,},
Wen Gongjian^①,
Yu Liansheng^②,
Ma Conghui^①

①.
ATR Key Laboratory National University of Defense Technology, Changsha 410073, China
②.
TH Center of China, Beijing 102102, China

Funds:

The Program for New Century Excellent Talents in University NCET-11-0866

摘要

摘要: 属性散射中心是合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心，进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上，设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响，对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了方法的有效性。
- 合成孔径雷达 /
- 目标识别 /
- 属性散射中心匹配 /
- Hungarian算法 /
- 匹配度度量方法
Abstract: Attributed scattering center is one of important features of Synthetic Aperture Radar (SAR) image. In this paper, a method for the matching of attributed scattering centers and its application to SAR target recognition is proposed. First, the attributed scattering centers of the test SAR image and template SAR images are extracted on the basis of the attributed scattering model. Second, the Hungarian algorithm is employed to match the two scattering center sets. Based on the one to one correspondence, we design a new similarity measure to evaluate the similarity between the two scattering center sets that will decide the target type of the test image. The similarity measure considers the effects of each individual scattering center, single matching pair, and missing alarms and false alarms; thus, it is more comprehensive. The experiment based on moving and stationary target acquisition and recognition database demonstrates the validity of the proposed method.
- Synthetic Aperture Radar (SAR) /
- Target recognition /
- Matching of attributed scattering center /
- Hungarian algorithm /
- Similarity measure

HTML全文

图 1 一幅BMP2 SAR图像的参数估计重构结果 (动态范围40 dB)

Figure 1. The reconstruction of a BMP2 SAR image (Dynamic range: 40 dB)

下载: 全尺寸图片幻灯片

图 2 Hungarian算法实现散射中心匹配

Figure 2. The matching of attributed scattering centers by Hungarian algorithm

下载: 全尺寸图片幻灯片

图 3 门限计算

Figure 3. The calculation of the threshold

下载: 全尺寸图片幻灯片

图 4 “强匹配对”的权值计算

Figure 4. The weight of the "strong assignments"

下载: 全尺寸图片幻灯片

图 5 漏警和虚警的权值计算

Figure 5. The weight of MAs and FAs

下载: 全尺寸图片幻灯片

图 6 本文方法的基本流程

Figure 6. The general procedure of the proposed method

下载: 全尺寸图片幻灯片

图 7 本文方法在不同模型阶数的识别性能

Figure 7. The recognition performance under different model orders

下载: 全尺寸图片幻灯片

图 8 不同分辨率下的MSTAR图像

Figure 8. The MSTAR images under different resolutions

下载: 全尺寸图片幻灯片

图 9 不同分辨率下的识别率

Figure 9. The recognition performance under different resolutions

下载: 全尺寸图片幻灯片

图 10 不同信噪比下的MSTAR图像

Figure 10. The reconstructed MSTAR images under different SNRs

下载: 全尺寸图片幻灯片

图 11 不同信噪比下的识别性能

Figure 11. The recognition performance under different SNRs

下载: 全尺寸图片幻灯片

表 1 分配代价矩阵

Table 1. The cost matrix for Hungarian matching

	Y₁	Y₂	$\begin{array}{*{20}{c}}\cdots \end{array}$	Y_n	MA
X₁	C₁₁	C₁₂	$\begin{array}{*{20}{c}}\cdots \end{array}$	C_1n	M₁	$\infty$	$\begin{array}{*{20}{c}}\cdots \end{array}$	$\infty$
X₂	C₂₁	C₂₂	$\begin{array}{*{20}{c}}\cdots \end{array}$	C_2n	$\infty$	M₂	$\begin{array}{*{20}{c}}\cdots \end{array}$	$\infty$
$\vdots$	$\vdots$	$\vdots$	$\ddots$	$\vdots$	$\vdots$	$\vdots$	$\ddots$	$\vdots$
X_m	C_m1	C_m2	$\begin{array}{*{20}{c}}\cdots \end{array}$	C_mn	$\infty$	$\infty$	$\begin{array}{*{20}{c}}\cdots \end{array}$	M_m
FA	F₁	$\infty$	$\ldots$	$\infty$	$\infty$	$\infty$	$\ldots$	$\infty$
	$\infty$	F₂	$\ldots$	$\infty$	$\infty$	$\infty$	$\ldots$	$\infty$
	$\vdots$	$\vdots$	$\ddots$	$\vdots$	$\vdots$	$\vdots$	$\ddots$	$\vdots$
	$\infty$	$\infty$	$\ldots$	F_n	$\infty$	$\infty$	$\ldots$	$\infty$

下载: 导出CSV

表 2 属性的不确定性建模

Table 2. The modeling of attribute uncertainty

属性类别	均值	方差
方位向x	x₀	${\sigma ^2} = {\rm{CR}}{{\rm{R}}^2}$
距离向y	y₀	${\sigma ^2} = {\rm{R}}{{\rm{R}}^2}$
归一化幅度\|A\|	\|A₀\|	${\sigma ^2} = 0.1$

下载: 导出CSV

表 3 模板集和测试集

Table 3. The template set and testing set

模板集	样本数量	测试集	样本数量
BMP2(SN_C21)	233	BMP2(SN_C21)	195
BMP2(SN_9566)	232	BMP2(SN_9566)	196
BMP2(SN_9563)	233	BMP2(SN_9563)	196
BTR70(SN_C71)	233	BTR70(SN_C71)	196
T72(SN_132)	232	T72(SN_132)	196
T72(SN_812)	231	T72(SN_812)	195
T72(SN_S7)	228	T72(SN_S7)	191

下载: 导出CSV

表 4 本文方法的识别结果

Table 4. The recognition result of the proposed method

目标类型	识别结果			P_c(%)
目标类型	BMP2	BTR70	T72	P_c(%)
BMP2(SN_9563)	191	2	2	97.95
BMP2(SN_9566)	195	1	0	99.49
BMP2(SN_C21)	192	2	2	97.96
BTR70	5	188	3	95.92
T72(SN_132)	8	1	187	96.91
T72(SN_812)	1	0	194	99.49
T72(SN_S7)	4	1	186	97.31
Average (%)	97.88

下载: 导出CSV

表 5 3种方法的识别性能对比

Table 5. The comparison of the three methods

方法	识别率 (%)	消耗时间 (ms)
本文方法	97.88	10.2
方法一	93.46	3.5
方法二	96.92	20.3

下载: 导出CSV

参考文献(16)

[1]	黄培康, 殷红成, 许小剑.雷达目标特性[M].北京:电子工业出版社, 2005: 22–24. Huang Pei-kang, Yin Hong-cheng, and Xu Xiao-jian. Radar Target Signature[M]. Beijing: Publishing House of Electronics Industry, 2005: 22–24.
[2]	Keller J B. Geometrical theory of diffraction[J]. Journal of the Optical Society of America, 1962: 52(2): 116–130. doi: 10.1364/JOSA.52.000116
[3]	Gerry M J, Potter L C, and Gupta I J. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750
[4]	Chiang H-C, Moses R L, and Potter L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory, 2000, 46(5): 1842–1854. doi: 10.1109/18.857795
[5]	唐涛, 粟毅.散射中心特征序贯匹配的SAR图像目标识别方法[J].系统工程与电子技术, 2012, 34(6): 1131–1135. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201206011.htm Tang Tao and Su Yi. Object recognition in SAR imagery using sequential feature matching of scattering centers[J]. System Engineering and Electronics, 2012, 34(6): 1131–1135. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201206011.htm
[6]	Sirui Tian, Kuiying Yin, Chao Wang, et al.. An SAR ATR method based on scattering center feature and bipartite graph matching[J]. IETE Technical Review, 2015, 32(5): 364–375. doi: 10.1080/02564602.2015.1019941
[7]	Bhanu B and Lin Y Q. Stochastic models for recognition of occluded targets[J]. Pattern Recognition, 2003, 36(12): 2855–2873. doi: 10.1016/S0031-3203(03)00182-1
[8]	Dungan K E and Potter L C. Classifying transformationvariant attributed patterns[J]. Pattern Recognition, 2010, 43(11): 3805–3816. doi: 10.1016/j.patcog.2010.05.033
[9]	Dungan K E and Potter L C. Classifying sets of attributed scattering centers using a hash coded database[C]. Proceedings of Algorithms for Synthetic Aperture Radar Imagery XVII, SPIE, Florida, 2010: 7737R01–7737R11.
[10]	Zhou Jianxiong, Shi Zhiguang, Chen Xiao, et al.. Automatic target recognition of SAR images based on global scattering center model[J]. IEEE Transactions on Geosciences and Remote Sensing, 2011, 49(10): 3713–3729. doi: 10.1109/TGRS.2011.2162526
[11]	Kim Taejoon and Dong Miaomiao. An iterative Hungarian method to joint relay selection and resource allocation for D2D communications[J]. IEEE Wireless Communications Letters, 2014, 3(6): 625–629. doi: 10.1109/LWC.2014.2338318
[12]	Li D, Zhang G, Wu Z, et al.. An edge embedded markerbased watershed algorithm for high spatial resolution remote sensing image segmentatio[J]. IEEE Transactions on Image Processing, 2010, 19(10): 2781–2787. doi: 10.1109/TIP.2010.2049528
[13]	Jing M, Zhou X, and Qi C. Quasi-Newton Iterative Projection algorithm for sparse recovery[J]. Neurocomputing, 2014, 144: 169–173. doi: 10.1016/j.neucom.2014.04.055
[14]	Chen J, Li Y, Wang J, et al.. Adaptive CLEAN algorithm for millimetre wave synthetic aperture imaging[J]. IET Image Processing, 2015, 9(3): 218–225. doi: 10.1049/iet-ipr.2014.0443
[15]	陶勇, 胡卫东.基于图像域的属性散射中心分析[J].信号处理, 2009, 25(10): 1510–1514. doi: 10.3969/j.issn.1003-0530.2009.10.004 Tao Yong and Hu Wei-Dong. Analysis of attributed scattering center based on image domain[J]. Signal Processing, 2009, 25(10): 1510–1514. doi: 10.3969/j.issn.1003-0530.2009.10.004
[16]	徐牧, 王雪松, 肖顺平.基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法[J].电子与信息学报, 2007, 29(2): 370–374. http://www.cnki.com.cn/Article/CJFDTOTAL-DZYX200702024.htm Xu Mu, Wang Xue-song, and Xiao Shun-ping. Target aspect estimation in SAR imagery based on Hough transform and major axis extraction[J]. Journal of Electronic & Information Technology, 2007, 29(2): 370–374. http://www.cnki.com.cn/Article/CJFDTOTAL-DZYX200702024.htm

施引文献

期刊类型引用(88)

1.	肜瑶，张洋洋. 重构目标和多层次BVMD特征融合的SAR图像目标识别方法. 探测与控制学报. 2025(01): 94-101 . 百度学术
2.	杨慧娉，赖小龙，刘丹. 一种基于区域特征的SAR图像目标识别方法. 电光与控制. 2025(03): 76-81 . 百度学术
3.	吕虎. 基于属性散射中心目标重构加权决策融合的SAR目标识别方法. 电光与控制. 2024(02): 112-117+124 . 百度学术
4.	李振汕，丁柏圆. 联合核稀疏表示和增强字典的SAR目标识别方法. 电光与控制. 2024(08): 44-49 . 百度学术
5.	罗曼，李新. 改进卷积神经网络的SAR图像识别方法. 空天预警研究学报. 2024(03): 162-166+172 . 百度学术
6.	赵琰，赵凌君，张思乾，计科峰，匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
7.	何洁，李文娟，陈欣. NCIE在多特征选择及SAR目标识别中的应用. 太赫兹科学与电子信息学报. 2023(02): 183-188 . 百度学术
8.	王源源. 联合变分模态分解和卷积神经网络的SAR图像目标分类方法. 电光与控制. 2023(06): 41-46 . 百度学术
9.	陈婕，潘洁，杨小英. 结合非采样剪切波和MCCA的SAR目标识别方法. 探测与控制学报. 2023(03): 89-94 . 百度学术
10.	李鹏，冯存前，胡晓伟. 一种改进的可解释SAR图像识别网络. 空军工程大学学报. 2023(04): 49-55 . 百度学术
11.	王源源. 基于改进稀疏表示的SAR图像目标识别方法. 电光与控制. 2023(09): 42-46 . 百度学术
12.	许延龙，潘昊，丁柏圆. 基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用. 液晶与显示. 2023(11): 1511-1520 . 百度学术
13.	李昆，赵鹏，张帝，尹广举. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究. 中国电子科学研究院学报. 2023(11): 996-1002+1028 . 百度学术
14.	陆建华. 融合CNN和SRC决策的SAR图像目标识别方法. 红外与激光工程. 2022(03): 520-526 . 百度学术
15.	游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法. 红外与激光工程. 2022(04): 399-404 . 百度学术
16.	赵高丽，宋军平. 联合多特征的MSTAR数据集SAR目标识别方法. 武汉大学学报(工学版). 2022(07): 732-739 . 百度学术
17.	周志洪，陈秀真，马进，夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 . 百度学术
18.	李正伟，黄孝斌，胡尧. 基于二维随机投影特征典型相关分析融合的SAR ATR方法. 红外与激光工程. 2022(10): 366-373 . 百度学术
19.	王源源，王小芳. 结合多特征联合表征和自适应加权的SAR图像目标识别方法. 电光与控制. 2022(11): 97-101+117 . 百度学术
20.	莫海宁，钟友坤. 基于BVMD特征决策融合的SAR目标识别方法. 电子信息对抗技术. 2022(05): 40-44+50 . 百度学术
21.	邢孟道，谢意远，高悦欣，张金松，刘嘉铭，吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看
22.	来雨. 基于属性散射中心的SAR图像重构及在目标识别中的应用. 火力与指挥控制. 2021(02): 46-52 . 百度学术
23.	刘飞，高红艳，卫泽刚，刘亚军，钱郁. 基于Res-Net深度特征的SAR图像目标识别方法. 液晶与显示. 2021(04): 624-631 . 百度学术
24.	伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用. 红外与激光工程. 2021(04): 251-257 . 百度学术
25.	陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 . 百度学术
26.	辛海燕，童有为. 结合多源特征与高斯过程模型的SAR图像目标识别. 电讯技术. 2021(04): 454-460 . 百度学术
27.	毛舒宇，岳凤英. 二维变分模态分解在SAR图像特征提取及目标识别中的应用. 电光与控制. 2021(03): 98-101+106 . 百度学术
28.	唐吉深，覃少华. 稀疏表示系数下局部最优重构的SAR图像目标识别算法. 探测与控制学报. 2021(02): 69-75+80 . 百度学术
29.	张楚笛，唐涛，计科峰. SAR图像车辆目标多模态联合协同表示分类方法. 信号处理. 2021(05): 681-689 . 百度学术
30.	刘志超，屈百达. 复数二维经验模态分解在SAR目标识别中的应用. 红外与激光工程. 2021(05): 245-252 . 百度学术
31.	刘志超，屈百达. 结合BM3D去噪与极限学习机的SAR目标分类方法. 电光与控制. 2021(06): 29-32 . 百度学术
32.	吴剑波，陆正武，关玉蓉，王庆东，姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法. 红外与激光工程. 2021(06): 314-320 . 百度学术
33.	尚珊珊，余子开，范涛，金利民. 高斯过程模型在SAR图像目标识别中的应用. 红外与激光工程. 2021(07): 151-157 . 百度学术
34.	胡媛媛，韩彦龙. 快速自适应二维经验模态分解在SAR目标识别中的应用研究. 电光与控制. 2021(08): 40-43+87 . 百度学术
35.	张振中. 基于更新分类器的合成孔径雷达图像目标识别. 激光与光电子学进展. 2021(14): 234-241 . 百度学术
36.	李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法. 红外与激光工程. 2021(08): 353-360 . 百度学术
37.	唐波，刘钢，谢黄海，黄力，代朝阳，李枫航. 基于多视角属性散射中心的风电机动态叶片雷达回波模拟. 中国电机工程学报. 2021(18): 6449-6461 . 百度学术
38.	马丹丹. 图像分块匹配的SAR目标识别方法. 红外与激光工程. 2021(10): 290-297 . 百度学术
39.	陈禾，张心怡，李灿，庄胤. 基于多尺度注意力CNN的SAR遥感目标识别. 雷达科学与技术. 2021(05): 517-525+533 . 百度学术
40.	李笑雪，黄煜峰，李忠智. 嵌入特征预提取和注意力机制的SAR图像目标检测. 江西科学. 2021(06): 1103-1109 . 百度学术
41.	陈婕，潘洁，杨小英，陈海媚，廖志平. 一种多视角SAR图像目标识别方法. 电讯技术. 2021(12): 1547-1553 . 百度学术
42.	李宁，王军敏，司文杰，耿则勋. 基于最大熵准则的多视角SAR目标分类方法. 红外与激光工程. 2021(12): 572-578 . 百度学术
43.	陈欣，陈明逊. 基于增强数据集卷积神经网络的SAR目标识别方法. 重庆理工大学学报(自然科学). 2020(01): 86-93 . 百度学术
44.	张婷，蔡德饶. 联合多层次深度特征的SAR图像目标识别方法. 火力与指挥控制. 2020(02): 135-140 . 百度学术
45.	陈婕. 考察独立性和相关性的多视角SAR图像目标识别方法. 电光与控制. 2020(03): 89-93+114 . 百度学术
46.	丁慧洁. 基于非下采样剪切波特征提取的SAR图像目标识别方法. 探测与控制学报. 2020(01): 75-80 . 百度学术
47.	柳小文，雷军程，伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法. 激光与光电子学进展. 2020(04): 76-83 . 百度学术
48.	张宏武，康凯. 结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别. 电讯技术. 2020(04): 372-377 . 百度学术
49.	李亚娟. 结合全局和局部稀疏表示的SAR图像目标识别方法. 电子测量与仪器学报. 2020(02): 165-171 . 百度学术
50.	兰文宝，车畅，陶成云. 基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用. 电波科学学报. 2020(03): 414-421 . 百度学术
51.	周光宇，刘邦权，张亶. 基于变分模态分解的SAR图像目标识别方法. 国土资源遥感. 2020(02): 33-39 . 百度学术
52.	郭炜炜，张增辉，郁文贤，孙效华. SAR图像目标识别的可解释性问题探讨. 雷达学报. 2020(03): 462-476 . 本站查看
53.	陈婕，廖志平. 基于增强字典稀疏表示分类的SAR目标识别方法. 探测与控制学报. 2020(03): 75-81 . 百度学术
54.	吴天宝，夏靖波，黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法. 河南理工大学学报(自然科学版). 2020(04): 118-124 . 百度学术
55.	丛培贤，赵永彬，邸卓，刘雪松，徐静. 基于内蕴判别分析的SAR目标识别方法. 自动化技术与应用. 2020(09): 103-107 . 百度学术
56.	张伟昌，王文政，代作松. 结合NSCT和TPCA的SAR图像目标识别. 火力与指挥控制. 2020(09): 41-46 . 百度学术
57.	王源源. 一种基于多分辨率表示的SAR图像识别方法. 电光与控制. 2020(10): 31-36 . 百度学术
58.	申伟，石平. 单演信号随机加权融合的SAR图像目标识别方法. 电子测量与仪器学报. 2020(09): 181-187 . 百度学术
59.	陈潜，刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 . 百度学术
60.	张虹，左鑫兰，黄瑶. 基于稀疏表示系数相关性的特征选择及SAR目标识别方法. 激光与光电子学进展. 2020(14): 271-278 . 百度学术
61.	徐永士，贲可荣，王天雨，刘斯杰. DCGAN模型改进与SAR图像生成研究. 计算机科学. 2020(12): 93-99 . 百度学术
62.	涂豫. 基于贝叶斯卷积神经网络与数据增强的SAR图像目标分类方法. 探测与控制学报. 2020(06): 43-48 . 百度学术
63.	马梓元，龚华军，王新华，刘禹. 典型多特征决策融合方法及在无人机SAR图像目标识别中的应用. 舰船电子工程. 2020(12): 96-99 . 百度学术
64.	何洁，陈欣. 基于非线性相关信息熵的SAR图像多分辨率选择及目标识别. 激光与光电子学进展. 2020(22): 215-222 . 百度学术
65.	王骏，陈艳平，江立辉. 结合稀疏表示和协同表示的SAR图像目标方位角估计. 电子测量与仪器学报. 2020(12): 165-171 . 百度学术
66.	乔良才. 结合多分辨率表示和复数域CNN的SAR图像目标识别方法. 激光与光电子学进展. 2020(24): 98-106 . 百度学术
67.	王旭，蒋书波，张秀梅. SAR目标轮廓匹配及其在目标识别中的运用. 计算机工程与设计. 2019(01): 184-189 . 百度学术
68.	蔡德饶，宋愈珍. 带鉴别分析的多视角SAR图像联合决策及目标识别. 中国电子科学研究院学报. 2019(01): 37-41+54 . 百度学术
69.	段芃芃，刘锂. 基于相关性分析的SAR图像目标方位角估计. 中国电子科学研究院学报. 2019(01): 42-46 . 百度学术
70.	靳黎忠，陈俊杰，彭新光. 决策可靠性分析及在SAR图像目标识别中的应用. 电讯技术. 2019(04): 409-414 . 百度学术
71.	王鑑航，张广宇，李艳. 基于协同编码分类器的SAR目标识别方法. 中国电子科学研究院学报. 2019(03): 290-295 . 百度学术
72.	陈岭. 基于随机加权的SAR图像多特征联合目标分类. 电子测量与仪器学报. 2019(05): 187-192 . 百度学术
73.	张婷，蔡德饶. 基于属性散射中心匹配的噪声稳健SAR目标识别方法. 中国电子科学研究院学报. 2019(06): 557-562+567 . 百度学术
74.	郭敦，吴志军. 基于局部字典块稀疏表示的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(08): 813-817+829 . 百度学术
75.	张克，牛鹏涛. 稀疏表示分类在SAR图像目标识别中的应用分析. 信息技术. 2019(09): 39-43 . 百度学术
76.	张华，张素莉，何树吉. 基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计. 中国电子科学研究院学报. 2019(09): 993-1000 . 百度学术
77.	王源源. 基于单演信号多重集典型相关分析的SAR目标识别方法. 电光与控制. 2019(10): 7-11+29 . 百度学术
78.	夏朋举. 目标区域和阴影联合决策的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(10): 1062-1067+1087 . 百度学术
79.	陈惠红，刘世明. 基于多重集典型相关的深度特征融合及SAR目标识别方法. 电子测量与仪器学报. 2019(09): 57-63 . 百度学术
80.	冯冬艳，王海晖. 相关性约束下SAR图像动态重构的目标识别方法. 电子测量与仪器学报. 2019(09): 100-106 . 百度学术
81.	陈宏. 结合多视角-多特征的SAR图像目标识别方法. 电子测量与仪器学报. 2019(09): 87-92 . 百度学术
82.	刘阳. 基于属性散射中心多层次匹配的SAR目标识别方法. 电子测量与仪器学报. 2019(11): 192-198 . 百度学术
83.	李辉. 基于峰值特征高斯混合建模的SAR目标识别. 电子测量与仪器学报. 2018(08): 103-108 . 百度学术
84.	赵鹏举，甘凯. 基于互补特征层次决策融合的SAR目标识别方法. 电光与控制. 2018(10): 28-32 . 百度学术
85.	谢晴，张洪. SAR图像多层次正则化增强及在目标识别中的应用. 电子测量与仪器学报. 2018(09): 157-162 . 百度学术
86.	王立梅，李金凤，张亚峰. 联合多层次散射区域的SAR目标识别方法. 中国电子科学研究院学报. 2018(06): 690-694 . 百度学术
87.	蔡德饶，张婷. 联合多分辨表示的SAR图像目标识别方法. 电子测量与仪器学报. 2018(12): 71-77 . 百度学术
88.	董平，林嘉宇，刘莹. 一种基于峰值匹配的SAR目标识别方法. 无线互联科技. 2017(22): 112-114+121 . 百度学术