《表5 本文方法与对比方法在型号变化条件下的识别性能》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于二维经验模态分解的合成孔径雷达目标识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于表2中的实验设置，在型号差异条件下对本文方法和对比方法进行性能测试，各类方法的平均识别率如表5所示。本文方法取得了最高的平均识别率，表明其对于型号差异具有很强的稳健性。同一类目标的不同型号样本在整体上保持较高的相关性，但也存在局部结构的差异。此时，为了得到正确的判决结果，识别方法既要充分利用型号差异下的稳定特性，又要考察存在的局部差异。多层次BIMF可以有效反映SAR图像中目标的全局和局部信息，在层次化的考察型号变化条件下，有利于测试样本与训练样本之间整体和局部关联，因此通过结合原始图像以及多层次BIMF的决策结果，可以有效提升此条件下的识别稳健性。由于训练集对于测试样本的覆盖面有限，CNN方法相比于本文方法在型号变化条件下的识别性能出现了更为明显的下降。