基于集成学习的雷达自动目标识别综述

doi:10.11772/j.issn.1001-9081.2024020179

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 371-382.DOI: 10.11772/j.issn.1001-9081.2024020179

基于集成学习的雷达自动目标识别综述

洪梓榕¹, 包广清²()

^1.兰州理工大学电气工程与信息工程学院，兰州 730050
^2.西南石油大学电气信息学院，成都 610500

收稿日期:2024-02-26 修回日期:2024-03-26 接受日期:2024-04-03 发布日期:2024-06-04 出版日期:2025-02-10
通讯作者: 包广清
作者简介:洪梓榕（1986—），男，四川遂宁人，博士研究生，主要研究方向：雷达HRRP目标识别、机器学习；
基金资助:
甘肃省高等学校创新基金资助项目(2023A?201)

Review of radar automatic target recognition based on ensemble learning

Zirong HONG¹, Guangqing BAO²()

^1.College of Electrical Engineering and Information Engineering，Lanzhou University of Technology，Lanzhou Gansu 730050，China
^2.School of Electrical Engineering and Information，Southwest Petroleum University，Chengdu Sichuan 610500，China

Received:2024-02-26 Revised:2024-03-26 Accepted:2024-04-03 Online:2024-06-04 Published:2025-02-10
Contact: Guangqing BAO
About author:HONG Zirong， born in 1986， Ph. D. candidate. His research interests include radar HRRP target recognition， machine learning.
Supported by:
Higher Education Institution Innovation Fund Project of Gansu Province(2023A-201)

摘要/Abstract

摘要：

雷达自动目标识别（RATR）在军事和民用领域中都有广泛的应用。由于集成学习通过集成已有的机器学习模型改善模型分类性能，具有较好的鲁棒性，因此被越来越多地应用于雷达目标检测与识别领域。系统梳理和提炼现有相关文献对集成学习在RATR中的研究进展。首先，介绍集成学习的概念、框架与发展历程，将集成学习与传统机器学习、深度学习方法对比，并总结集成学习理论和常见集成学习方法的优势、不足及研究的主要聚焦点；其次，简述RATR的概念；接着，重点阐述集成学习在不同雷达图像分类特征中的应用，详细讨论基于合成孔径雷达（SAR）和高分辨距离像（HRRP）的目标检测与识别方法，并总结这些方法的研究进展和应用成效；最后，讨论RATR以及集成学习所面临的挑战，并对集成学习在雷达目标识别领域的应用进行展望。

关键词: 目标检测与识别, 集成学习, 合成孔径雷达, 高分辨距离像, 传统机器学习, 深度学习

Abstract:

Radar Automatic Target Recognition （RATR） has widespread applications in both domains of military and civilian. Due to the robustness caused by that ensemble learning improves model classification performance by integrating the existing machine learning models， ensemble learning has been applied in the field of radar target detection and recognition increasingly. The research progress of ensemble learning in RATR was discussed in detail through systematic sorting and refining the existing relevant literature. Firstly， the concept， framework， and development process of ensemble learning were introduced， ensemble learning was compared with traditional machine learning and deep learning methods， and the advantages， limitations， and main focuses of research of ensemble learning theory and common ensemble learning methods were summarized. Secondly， the concept of RATR was described briefly. Thirdly， the applications of ensemble learning in different radar image classification features were focused on， with a detailed discussion on target detection and recognition methods based on Synthetic Aperture Radar （SAR） and High-Resolution Range Profile （HRRP）， and the research progress and application effect of these methods were summed up. Finally， the challenges faced by RATR and ensemble learning were discussed， and the applications of ensemble learning in the field of radar target recognition were prospected.

Key words: target detection and recognition, ensemble learning, Synthetic Aperture Radar (SAR), High Resolution Range Profile (HRRP), traditional machine learning, deep learning

中图分类号:

TN953

洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 计算机应用, 2025, 45(2): 371-382.

Zirong HONG, Guangqing BAO. Review of radar automatic target recognition based on ensemble learning[J]. Journal of Computer Applications, 2025, 45(2): 371-382.

图/表 6

表1 二分类任务分类器的预测结果

Tab. 1 Prediction results of binary classification task classifier

分类器 $h i$	分类器 $h j$
分类器 $h i$	$h j = 1$	$h j = 0$
$h i = 1$	$N 11$	$N 10$
$h i = 0$	$N 01$	$N 00$

表1 二分类任务分类器的预测结果

Tab. 1 Prediction results of binary classification task classifier

分类器 $h i$	分类器 $h j$
分类器 $h i$	$h j = 1$	$h j = 0$
$h i = 1$	$N 11$	$N 10$
$h i = 0$	$N 01$	$N 00$

图1 Bagging方法的流程

Fig. 1 Process of Bagging method

图2 Boosting方法的流程

Fig. 2 Process of Boosting method

图3 Stacking方法流程

Fig. 3 Process of Stacking method

表2 三种集成学习方法的对比总结

Tab. 2 Comparison and summary of three ensemble learning methods

平均法/投票法

（线性组合）

可以并行计算，

降低了模型之间的方差

大噪声数据集下容易过拟合，

多特征时权重可信度低

随机森林，

旋转森林

Boosting

弱学习器迭代

平均法/投票法

（线性组合）

简单的弱学习器作为基学习器，降低了模型拟合的偏差

不能并行计算，

数据不平衡导致训练精度差

AdaBoost，

XGBoost

Stacking

元学习器集成融合

学习法

（非线性组合）

原理简单，灵活性高

选择合适的基学习器与元学习器依赖经验

表3 集成学习在雷达自动目标识别领域的应用情况分析与总结

Tab. 3 Analysis and summary of applications of ensemble learning in field of radar automatic target recognition

提升类型	核心思想	参考文献及其方法概要
数据预处理与特征提取	多源数据融合	文献［40］：改进多孔小波融合算法融合信息源
	多源数据融合	文献［43］：结合多源数据融合的规范相关森林
	元特征分类	文献［56］：两阶段滤波的异构DCNN模型集成融合元特征
	元特征分类	文献［68］：基于叠加归纳策略的元特征样式与元分类算法
	最优平均度量	文献［72］：使用联合互信息动态选择最优度量
	特征提取	文献［42］：多特征异构集成随机森林
		文献［60］：多尺度鲁棒特征提取
		文献［61］：集成双分支CNN提取偏振特征与空间特征
		文献［76］：引入韦伯分布的极值元识别描述统计特征
分类器集成选择	静态选择集成	文献［73］：使用模拟退火算法优化集成间隔
	动态选择集成	文献［71］：引入DS证据理论的SVM动态集成方法
	动态选择集成	文献［74］：基于K-Medoids的RRC技术选择最优分类器
模型结构与算法设计	算法改进	文献［38］：应用袋外数据的Bundling方法
		文献［48］：随机欠采样增强
		文献［58］：引入AdaBoost与旋转森林取代CNN的Softmax层
	多算法融合	文献［41］：基于多层感知机的旋转森林
		文献［55］：集成贝叶斯最大裕度单分类器
		文献［66］：使用AdaBoost结合SVM解决高斯核宽度选择问题
	多核学习	文献［45］：多特征提取和多核学习SVM
		文献［54］：基于多核学习的多核图切割算法
		文献［75］：基于负支持向量数据描述的多类多核学习方法

参考文献 78

1	HANSEN L K， SALAMON P. Neural network ensembles［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990， 12（10）： 993-1001.
2	DASARATHY B V， SHEELA B V. A composite classifier system design： concepts and methodology［J］. Proceedings of the IEEE， 1979， 67（5）： 708-713.
3	EFRON B. Bootstrap methods： another look at the jackknife［M］// KOTZ S， JOHNSON N L. Breakthroughs in statistics： methodology and distribution， SSS. New York： Springer， 1992： 569-593.
4	SCHAPIRE R E. The strength of weak learnability［J］. Machine Learning， 1990， 5（2）： 197-227.
5	WOLPERT D H. Stacked generalization［J］. Neural Networks， 1992， 5（2）： 241-259.
6	DIETTERICH T G. Ensemble methods in machine learning［C］// Proceedings of the 2020 International Workshop on Multiple Classifier Systems， LNCS 1857. Berlin： Springer， 2000： 1-15.
7	ZHOU Z H. Machine learning［M］. LIU S， translated. Singapore： Springer， 2021： 58-65.
8	ROKACH L. Ensemble-based classifiers［J］. Artificial Intelligence Review， 2010， 33（1/2）： 1-39.
9	VALENTINI G， DIETTERICH T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods［J］. Journal of Machine Learning Research， 2004， 5： 725-775.
10	OPITZ D W， SHAVLIK J W. Generating accurate and diverse members of a neural-network ensemble［C］// Proceedings of the 8th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 1995： 535-541.
11	KUNCHEVA L I. Combining pattern classifiers： methods and algorithms［M］. 2nd ed. New York： John Wiley & Sons， Inc.， 2014： 127-135.
12	ZHOU Z H. Ensemble methods： foundations and algorithms［M］. New York： Chapman and Hall/CRC， 2012： 129-136.
13	OZA N C， RUSSELL S J. Online bagging and boosting［C］// Proceedings of the 2001 International Workshop on Artificial Intelligence and Statistics. New York： JMLR.org， 2001： 229-236.
14	BASZCZYNSKI J， STEFANOWSKI J. Neighbourhood sampling in bagging for imbalanced data［J］. Neurocomputing， 2015， 150（Pt B）： 529-542.
15	HO T K. The random subspace method for constructing decision forests［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（8）： 832-844.
16	CIGNA F， BATESON L B， JORDAN C J， et al. Simulating SAR geometric distortions and predicting Persistent Scatterer densities for ERS-1/2 and ENVISAT C-band SAR and InSAR applications： nationwide feasibility assessment to monitor the landmass of Great Britain with SAR imagery［J］. Remote Sensing of Environment， 2014， 152： 441-466.
17	YE Y， WU Q， HUANG J Z， et al. Stratified sampling for feature subspace selection in random forests for high dimensional data［J］. Pattern Recognition， 2013， 46（3）： 769-787.
18	FREUND Y， SCHAPIRE R E. Experiments with a new boosting algorithm［C］// Proceedings of the 13th International Conference on Machine Learning. San Francisco： Morgan Kaufmann Publishers Inc.， 1996： 148-156.
19	FRIEDMAN J H. Greedy function approximation： a gradient boosting machine［J］. The Annals of Statistics， 2001， 29（5）： 1189-1232.
20	YE J， CHOW J H， CHEN J， et al. Stochastic gradient boosted distributed decision trees［C］// Proceedings of the 18th ACM Conference on Information and Knowledge Management. New York： ACM， 2009： 2061-2064.
21	TAO R. Optimized housing price prediction based on XGBoost［J］. Journal of Sichuan University （Natural Science Edition）， 2022， 59（3）： 187-204.
22	TODOROVSKI L， DŽEROSKI S. Combining classifiers with meta decision trees［J］. Machine Learning， 2003， 50（3）： 223-249.
23	何丽，韩文秀. 用元决策树组合多个分类器的方法［J］. 计算机工程， 2005， 31（12）： 18-19， 80.
	HE L， HAN W X. Method of combining multiple classifiers with meta decision trees［J］. Computer Engineering， 2005， 31（12）： 18-19， 80.
24	DŽEROSKI S， ŽENKO B. Is combining classifiers with stacking better than selecting the best one？［J］. Machine Learning， 2004， 54（3）： 255-273.
25	SHUNMUGAPRIYA P， KANMANI S. Optimization of stacking ensemble configurations through artificial bee colony algorithm［J］. Swarm and Evolutionary Computation， 2013， 12： 24-32.
26	徐丰，王海鹏，金亚秋. 深度学习在SAR目标识别与地物分类中的应用［J］. 雷达学报， 2017， 6（2）： 136-148.
	XU F， WANG H P， JIN Y Q. Deep learning as applied in SAR target recognition and terrain classification［J］. Journal of Radars， 2017， 6（2）： 136-148.
27	邓洋洋. 高分辨率SAR图像目标检测与特征提取［D］. 成都：成都信息工程大学， 2018： 17-24.
	DENG Y Y. Target detection and feature extraction in high-resolution SAR images［D］. Chengdu： Chengdu University of Information Technology， 2018： 17-24.
28	LEE J S， GRUNES M R， DE GRANDI G. Polarimetric SAR speckle filtering and its implication for classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 1999， 37（5）： 2363-2373.
29	刘宏伟，杜兰，袁莉，等. 雷达高分辨距离像目标识别研究进展［J］. 电子与信息学报， 2005， 27（8）： 1328-1334.
	LIU H W， DU L， YUAN L， et al. Progress in radar automatic target recognition based on high range resolution profile［J］. Journal of Electronics and Information Technology， 2005， 27（8）： 1328-1334.
30	杜兰. 雷达高分辨距离像目标识别方法研究［D］. 西安：西安电子科技大学， 2007： 9-14.
	DU L. Study radar HRRP target recognition［D］. Xi’an： Xidian University， 2007： 9-14.
31	NOVAK L M， OWIRKA G J， BROWER W S， et al. The automatic target-recognition system in SAIP［J］. The Lincoln Laboratory Journal， 1997， 10（2）： 187-202.
32	METH R， CHELLAPPA R. Feature matching and target recognition in synthetic aperture radar imagery［C］// Proceedings of the 1999 IEEE International Conference on Acoustics， Speech， and Signal Processing . Piscataway： IEEE， 1999： 3333-3336.
33	张红莉，李月琴，韩磊，等. 基于LGBM和深度神经网络的HRRP目标识别方法［J］. 探测与控制学报， 2022， 44（2）： 97-103.
	ZHANG H L， LI Y Q， HAN L， et al. HRRP target recognition method based on LGBM and deep neural network［J］. Journal of Detection and Control， 2022， 44（2）： 97-103.
34	杜兰，刘宏伟，保铮，等. 一种利用目标雷达高分辨距离像幅度起伏特性的特征提取新方法［J］. 电子学报， 2005， 33（3）：411-415.
	DU L， LIU H W， BAO Z， et al. A new feature extraction method using the amplitude fluctuation property of target HRRPs for radar automatic target recognition［J］. Acta Electronica Sinica， 2005， 33（3）：411-415.
35	LIN Z， JI K， KANG M， et al. Deep convolutional highway unit network for SAR target classification with limited labeled training data［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（7）： 1091-1095.
36	JITHESH V， SAGAYARAJ M J， SRINIVASA K G. LSTM recurrent neural networks for high resolution range profile based radar target classification［C］// Proceedings of the 3rd International Conference on Computational Intelligence and Communication Technology. Piscataway： IEEE， 2017： 1-6.
37	YANG Y， JIANG J. Hybrid sampling-based clustering ensemble with global and local constitutions［J］. IEEE Transactions on Neural Networks and Learning Systems， 2016， 27（5）： 952-965.
38	XU L， LI J， BRENNING A. A comparative study of different classification techniques for marine oil spill identification using RADARSAT-1 imagery［J］. Remote Sensing of Environment， 2014， 141： 14-23.
39	LI H， MA J， GONG M， et al. Change detection in synthetic aperture radar images based on evolutionary multiobjective optimization with ensemble learning［J］. Memetic Computing， 2015， 7： 275-289.
40	刘培，王光彦，邹友峰，等. 遥感信息融合和分类器集成的地类高精度识别［J］. 遥感信息， 2016， 31（4）： 116-121.
	LIU P， WANG G Y， ZOU Y F， et al. Information integration and classifier ensemble for land cover identification［J］. Remote Sensing Information， 2016， 31（4）： 116-121.
41	MERA D， FERNÁNDEZ-DELGADO M， COTOS J M， et al. Comparison of a massive and diverse collection of ensembles and other classifiers for oil spill detection in SAR satellite images［J］. Neural Computing and Applications， 2017， 28（S1）： 1101-1117.
42	BARBAT M M， WESCHE C， WERHLI A V， et al. An adaptive machine learning approach to improve automatic iceberg detection from SAR images［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2019， 156： 247-259.
43	ADRIANO B， XIA J， BAIER G， et al. Multi-source data fusion based on ensemble learning for rapid building damage mapping during the 2018 Sulawesi earthquake and tsunami in Palu， Indonesia［J］. Remote Sensing， 2019， 11（7）： No.886.
44	YANG X， DING J. A computational framework for iceberg and ship discrimination： case study on Kaggle competition［J］. IEEE Access， 2020， 8： 82320-82327.
45	贾程澄，王军，邱峰. 多特征提取和多核SVM的舰船目标识别方法［J］. 电光与控制， 2021， 28（11）： 106-111.
	JIA C C， WANG J， QIU F. A ship target recognition method based on multi-feature extraction and multi-kernel SVM［J］. Electronics Optics and Control， 2021， 28（11）： 106-111.
46	YAN Z， SONG X， YAG L， et al. Ship classification in synthetic aperture radar images based on multiple classifiers ensemble learning and automatic identification system data transfer learning［J］. Remote Sensing， 2022， 14（21）： No.5288.
47	袁乃全，熊丽军. 基于GEE与集成学习的土地覆盖信息提取方法［J］. 地理空间信息， 2023， 21（5）： 76-79.
	YUAN N Q， XIONG L J. Land coverage information extraction method based on GEE and integrated learning［J］. Geospatial Information， 2023， 21（5）： 76-79.
48	ZHONG W， JING M， XU K， et al. Arctic sea ice lead detection from Chinese HY-2B radar altimeter data［J］. Remote Sensing， 2023， 15（2）： No.516.
49	ZHAO Z， JIAO L， ZHAO J， et al. Discriminant deep belief network for high-resolution SAR image classification［J］. Pattern Recognition， 2017， 61： 686-701.
50	XUE R， BAI X， ZHOU F. Spatial-temporal ensemble convolution for sequence SAR target classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 59（2）： 1250-1262.
51	WEI P， HÄNSCH R. Random ferns for semantic segmentation of PolSAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.5218212.
52	CHEN S， LI X， CHI S， et al. Ship target discrimination in SAR images based on BOW model with multiple features and spatial pyramid matching［J］. IEEE Access， 2020， 8： 166071-166082.
53	WANG J， WANG Y， CHEN B， et al. LCS-EnsemNet： a semisupervised deep neural network for SAR image change detection with dual feature extraction and label-consistent self-ensemble［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 11903-11925.
54	JIA L， ZHANG T， FANG J， et al. Multiple kernel graph cut for SAR image change detection［J］. Remote Sensing， 2021， 13（4）： No.725.
55	ZHANG W， DU L， LI L L， et al. Ensemble Bayesian max-margin one-class classifier for SAR target discrimination in complex scenes［J］. IET Conference Proceedings， 2020， 9： 1526-1530.
56	ZHENG H， HU Z， LIU J， et al. MetaBoost： a novel heterogeneous DCNNs ensemble network with two-stage filtration for SAR ship classification［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.4509005.
57	XUE Y， PEI J， HUANG Y， et al. Target recognition for SAR images based on heterogeneous CNN ensemble［C］// Proceedings of the 2018 IEEE Radar Conference. Piscataway： IEEE， 2018： 507-512.
58	ZHANG F， WANG Y， NI J， et al. SAR target small sample recognition based on CNN cascaded features and AdaBoost rotation forest［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（6）： 1008-1012.
59	GU Y， XU Y， LIU J. SAR ATR by decision fusion of multiple random convolution features［C］// Proceedings of the 22nd International Conference on Information Fusion. Piscataway： IEEE， 2019： 1-8.
60	SUN Y， WANG Y， HU L， et al. SAR target recognition using simulated data by an ensemble multi-scale deep domain adaptation recognition framework［C］// Proceedings of the 2021 CIE International Conference on Radar. Piscataway： IEEE， 2021： 1413-1417.
61	HUA W， ZHANG C， XIE W， et al. Polarimetric SAR image classification based on ensemble dual-branch CNN and superpixel algorithm［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 2759-2772.
62	XIE Z， WANG X， CHEN B. SAR ship recognition： dataset construction and long tail classification method［C］// Proceedings of the 3rd International Conference on Electronics， Communications and Information Technology. Piscataway： IEEE， 2022： 88-93.
63	李汶虹，王建国. 结合Bi-2DPCA和PNN集成的SAR图像目标识别［J］. 中国电子科学研究院学报， 2014， 9（4）： 401-407.
	LI W H， WANG J G. SAR images target recognition based on bilateral two-dimensional principal component analysis and probabilistic neural network ensemble［J］. Journal of China Academy of Electronics and Information Technology， 2014， 9（4）： 401-407.
64	PEI J， HUANG Y， SUN Z， et al. Multiview synthetic aperture radar automatic target recognition optimization： modeling and implementation［J］. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（11）： 6425-6439.
65	ZHANG C， WANG Y， LIU H， et al. SAR target recognition using only simulated data for training by hierarchically combining CNN and image similarity［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.4503505.
66	WU C， WANG X， ZHENG C. Classifying HRRP by AdaBoostSVM［C］// Proceedings of the 9th International Conference on Signal Processing. Piscataway： IEEE， 2008： 1582-1585.
67	WANG S， LI J， WANG Y， et al. Radar HRRP target recognition based on gradient boosting decision tree［C］// Proceedings of the 9th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics. Piscataway： IEEE， 2016： 1013-1017.
68	胡生亮，范学满，贺静波. 基于元学习的反舰导弹目标识别研究［J］. 海军工程大学学报， 2018， 30（1）： 1-6.
	HU S L， FAN X M， HE J B. Target recognition of anti-ship missile based on meta-learning［J］. Journal of Naval University of Engineering， 2018， 30（1）： 1-6.
69	SAGAYARAJ M J， JITHESH V， ROSHANI D. Comparative study between deep learning techniques and random forest approach for HRRP based radar target classification［C］// Proceedings of the 2021 International Conference on Artificial Intelligence and Smart Systems. Piscataway： IEEE， 2021： 385-388.
70	PARVATHA R S， RAMYA T， APARANJI G S， et al. Signature based radar target classification［C］// Proceedings of the 2021 International Conference on Recent Trends on Electronics， Information， Communication and Technology. Piscataway： IEEE， 2021： 873-879.
71	雷蕾，王晓丹，邢雅琼，等. 结合SVM和DS证据理论的多极化HRRP分类研究［J］. 控制与决策， 2013， 28（6）： 861-866.
	LEI L， WANG X D， XING Y Q， et al. Multi-polarized HRRP classification by SVM and DS evidence theory［J］. Control and Decision， 2013， 28（6）： 861-866.
72	张玉玺，王晓丹，姚旭，等. 基于H/A/α分解的全极化HRRP目标识别方法［J］. 系统工程与电子技术， 2013， 35（12）： 2501-2506.
	ZHANG Y X， WANG X D， YAO X， et al. Target recognition of fully polarimetric HRRP based on H/A/α decomposition［J］. Systems Engineering and Electronics， 2013， 35（12）： 2501-2506.
73	范学满，胡生亮，贺静波. 基于集成间隔优化的对海雷达目标识别算法［J］. 华中科技大学学报（自然科学版）， 2017， 45（12）： 73-79.
	FAN X M， HU S L， HE J B. Target recognition method for maritime surveillance radars based on ensemble margin optimization［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2017， 45（12）： 73-79.
74	FAN X， HU S， HE J. A dynamic selection ensemble method for target recognition based on clustering and randomized reference classifier［J］. International Journal of Machine Learning and Cybernetics， 2019， 10（3）： 515-525.
75	GUO Y， XIAO H， FAN H， et al. Multiclass multiple kernel learning for HRRP-based radar target recognition［C］// Proceedings of the SPIE 10443， 2nd International Workshop on Pattern Recognition. Bellingham WA： SPIE， 2017： No.1044306.
76	WANG Y， CHEN W， SONG J， et al. Open set radar HRRP recognition based on random forest and extreme value theory［C］// Proceedings of the 2018 International Conference on Radar. Piscataway： IEEE， 2018： 1-4.
77	WANG Y， BI X， CHEN W， et al. Deep forest for radar HRRP recognition［J］. The Journal of Engineering， 2019， 2019（21）： 8018-8021.
78	XIANG Q， WANG X， LAI J， et al. Snapshot ensemble one-dimensional convolutional neural networks for ballistic target recognition［C］// Proceedings of the 6th World Conference on Computing and Communication Technologies. Piscataway： IEEE， 2023： 187-193.

[1]	邓淼磊, 阚雨培, 孙川川, 徐海航, 樊少珺, 周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 453-466.
[2]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[3]	丁丹妮, 彭博, 吴锡. 受腹侧通路启发的脂肪肝超声图像分类方法VPNet[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 662-669.
[4]	李严, 叶冠华, 李雅文, 梁美玉. 基于丰度协调技术的企业ESG指标预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 670-676.
[5]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[6]	张天骐, 谭霜, 沈夕文, 唐娟. 融合注意力机制和多尺度特征的图像水印方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 616-623.
[7]	郑宗生, 杜嘉, 成雨荷, 赵泽骋, 张月维, 王绪龙. 用于红外-可见光图像分类的跨模态双流交替交互网络[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 275-283.
[8]	徐欣然, 张绍兵, 成苗, 张洋, 曾尚. 基于多路层次化混合专家模型的轴承故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 59-68.
[9]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.
[10]	晏燕, 钱星颖, 闫鹏斌, 杨杰. 位置大数据的联邦学习统计预测与差分隐私保护方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 127-135.
[11]	张思齐, 张金俊, 王天一, 秦小林. 基于信号时态逻辑的深度时序事件检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 90-97.
[12]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[13]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[14]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[15]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.

基于集成学习的雷达自动目标识别综述

Review of radar automatic target recognition based on ensemble learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 78

相关文章 15

编辑推荐

Metrics