《表4 本文方法与对比方法在标准操作条件下的识别性能》
基于表1的实验设置在标准操作条件下对本文方法进行性能测试,具体的实验结果如图5所示,其中,对角线上的元素对应各个目标的正确识别率。10类目标的识别率均超过了98%,平均识别率为99.12%。这一结果充分证明本文方法在标准操作条件下的优异性能。表4是本文方法与其他方法在识别性能上的对比。本文方法的识别率高于其他方法,显示了其优越性。与SVM-PCA方法相比,本文方法平均识别率提升了1.86个百分点,说明多层次BIMF对于原始SAR图像具有互补作用。从图1可以看出,从原始SAR图像分解得到的多层次固态模函数为目标特性的描述提供了更多的信息。通过对每一个成分进行分类进而在决策层进行融合,从而有利于得到正确的决策结果,因此对原始SAR图像和多层次BIMF决策融合,可以有效提升最终的识别性能。CNN作为一种典型的深度学习技术,在训练样本数量充足的条件下具有十分优异的分类性能,因此其识别率仅仅略低于本文方法,而显著优于其他对比方法。
图表编号 | XD00133400000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 柳小文、雷军程、伍雁鹏 |
绘制单位 | 邵阳学院信息工程学院、邵阳学院信息工程学院、湖南第一师范学院信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |