技术特征：
1.一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，包括以下步骤：分别通过第一分类器、第二分类器和第三分类器对sar图像目标数据进行目标识别，并分别得到第一分类结果、第二分类结果和第三分类结果；其中，第一分类器采用欠采样训练集训练得到，第二分类器采用过采样训练集训练得到，第三分类器采用组合采样训练集训练得到；所述欠采样训练集、过采样训练集和组合采样训练集均由若干个sar图像训练数据组成；所述第一分类结果、第二分类结果和第三分类结果均包括若干个类别标签以及所述sar图像目标数据属于该类别标签的概率值；根据修正规则分别对所述第一分类结果、第二分类结果和第三分类结果进行修正；将修正后的第一分类结果、修正后的第二分类结果和修正后的第三分类结果融合，得到所述sar图像目标数据的分类结果；所述分类结果包括若干个类别标签以及所述sar图像目标数据属于该类别标签的概率值。2.如权利要求1所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，根据修正规则分别对所述第一分类结果、第二分类结果和第三分类结果进行修正包括：采用质量评价规则，基于邻域估计每个分类结果的可信度，并根据可信度对分类结果进行重分配，得到重分配概率值；其中，所述分类器为第一分类器、第二分类器或第三分类器；所述分类结果为第一分类结果、第二分类结果或第三分类结果；采用信念再分配方法确定所述重分配概率值中属于其他类/未知类的第一概率值；其中，所述其他类为在所述分类结果中除所述重分配概率值对应的类别之外的每一类别，所述未知类为所述分类结果中不存在的类别；将每一类别对应的非重分配概率值与所述第一概率值相加，得到每一类别重分配后的概率值；组合每一类别重分配后的概率值，得到修正后的分类结果。3.如权利要求2所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，组合每一类别重分配后的概率值包括：组合每一类别重分配后的概率值以及未知类的概率值。4.如权利要求2或3所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，所述可信度通过置信因子实现，所述置信因子的计算方法为：在训练集中选择sar图像目标数据的k个近邻sar图像训练数据；其中，所述训练集为欠采样训练集、过采样训练集或组合采样训练集；根据k个所述近邻sar图像训练数据、并结合计算所述分类结果的置信因子；其中，α
l
为第l个分类结果的置信因子，γ
l
为调整属性距离和概率距离对置信因子的影响因子，d
l
为sar图像目标数据和k个近邻sar图像训练数据的平均距离。5.如权利要求4所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，d
l
通过以下公式计算得出：
其中，为sar图像目标数据和第k个近邻sar图像训练数据的属性距离，是sar图像目标数据的分类结果m
l
和第k个近邻sar图像训练数据的概率距离，是训练集中的sar图像训练数据和k个近邻sar图像训练数据之间的平均属性距离，s为训练集中sar图像训练数据的数量，为训练集中sar图像训练数据x和第k个近邻sar图像训练数据之间的属性距离，是训练集中的sar图像训练数据和k个近邻sar图像训练数据之间的平均概率距离，为训练集中sar图像训练数据x和第k个近邻sar图像训练数据之间的概率距离。6.如权利要求2或3或5所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，所述质量评价规则基于可靠性矩阵实现，所述可靠性矩阵中的元素通过计算，其中，φ
ij
为sar图像目标数据被分为ω
i
类且其真实类别为ω
j
类的概率，ω
ji
为近邻sar图像训练数据被分为ω
i
类且其真实类别为ω
j
类的概率，ω
gi
为近邻sar图像训练数据被分为ω
i
类且其真实类别为ω
g
类的概率，且有c为训练集中的类别标签数。7.如权利要求6所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，ω
ji
的计算方法为：其中，t
kj
为第k个近邻sar图像训练数据的真实类别为ω
j
，λ
l
为第l个分类结果的距离影响参数，为sar图像目标数据和第k个近邻sar图像训练数据的相对距离，p
k
(ω
i
)为第k个近邻sar图像训练数据被分为ω
i
的概率。8.如权利要求7所述的一种面向不平衡sar图像数据的证据融合目标识别方法，其特征在于，通过以下公式计算：其中，为sar图像目标数据和k个近邻sar图像训练数据之间的属性距离最小值，为sar图像目标数据和k个近邻sar图像训练数据之间的概率距离最小值。9.一种面向不平衡sar图像数据的证据融合目标识别装置，其特征在于，包括：识别模块，用于分别通过第一分类器、第二分类器和第三分类器对sar图像目标数据进行目标识别，并分别得到第一分类结果、第二分类结果和第三分类结果；其中，第一分类器采用欠采样训练集训练得到，第二分类器采用过采样训练集训练得到，第三分类器采用组合采样训练集训练得到；所述欠采样训练集、过采样训练集和组合采样训练集均由若干个
sar图像训练数据组成；所述第一分类结果、第二分类结果和第三分类结果均包括若干个类别标签以及所述sar图像目标数据属于该类别标签的概率值；修正模块，用于根据修正规则分别对所述第一分类结果、第二分类结果和第三分类结果进行修正；融合模块，用于将修正后的第一分类结果、修正后的第二分类结果和修正后的第三分类结果融合，得到所述sar图像目标数据的分类结果；所述分类结果包括若干个类别标签以及所述sar图像目标数据属于该类别标签的概率值。10.一种面向不平衡sar图像数据的证据融合目标识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的一种一种面向不平衡sar图像数据的证据融合目标识别方法。
技术总结
本发明公开了一种面向不平衡SAR图像数据的证据融合目标识别方法，分别通过第一分类器、第二分类器和第三分类器对SAR图像目标数据进行目标识别，并分别得到第一分类结果、第二分类结果和第三分类结果；根据修正规则分别对第一分类结果、第二分类结果和第三分类结果进行修正；将修正后的第一分类结果、修正后的第二分类结果和修正后的第三分类结果融合，得到SAR图像目标数据的分类结果；本发明在决策层将不同分类器的结果进行融合，充分利用不同分类器的互补知识，可以大大提升目标识别的鲁棒性。棒性。棒性。
技术研发人员：刘准钆 牛佳伟 鹿瑶 潘泉 程咏梅
受保护的技术使用者：西北工业大学
技术研发日：2021.12.14
技术公布日：2022/5/6