（南京航空航天大学自动化学院 南京 211100）

1 引言

合成孔径雷达（SAR）目标识别因其独特的军事背景而广受关注。近年来，无人机（UAV）技术飞速发展，基于无人机的SAR平台也得到开发和运用。通过对SAR目标图像进行合理的特征提取和分类器设计，目前的SAR目标识别方法已经可以取得较好的性能［1～2］。考虑到不同类别特征对于目标描述的互补性，基于多特征决策融合的思路进入研究人员的视野，其主要可分为三种手段［3～9］。第一类采用并行融合的方法，即对各种特征独立进行分类进而对这些结果进行融合，常用的算法包括线性加权融合、D-S证据理论等。第二类采用级联融合的方法。这类方法对不同特征设置不同的优先级［6］。对于优先级高的特征，优先采用其对测试样本进行分类。只有当分类结果不可靠时，才选用下一优先级的特征进行分类。第三类采用联合决策的方法。这类方法同时对多类特征进行分类，但在分类模型中考察了不同特征之间内在关联性的约束，典型代表是联合稀疏表示算法。

本文对上述三类多特征决策融合方法在SAR目标识别中的性能进行分析，选用主成分分析（PCA）［10］、线性鉴别分析（LDA）［10］以及非负矩阵分解（NMF）［11］作为代表性多特征，并以稀疏表示分类（SRC）［12～13］作为基础分类器。对于联合决策融合，则相应地采用联合稀疏表示进行决策融合［14～16］。采用三类决策融合方法对这三种特征进行分类，并比较它们对于多类目标的识别性能。实验中，采用MSTAR数据集对提出方法进行测试，结果表明了其有效性。……