Die automatische Interpretation von Bildern des Synthetic Aperture Radar SAR (Synthetic Aperture Radar) ist eine der wichtigen Anwendungen der SAR-Technologie. Die Methoden zur Identifizierung von SAR lassen sich hauptsächlich in zwei Kategorien einteilen: in traditionelle Methoden des maschinellen Lernens und in Methoden des tiefen Lernens. Für die meisten traditionellen Methoden des maschinellen Lernens ist die Extraktion von Zielmerkmalen basierend auf elektromagnetischer Streuung interpretierbar und stabil. Der Prozess der Extraktion effektiver Merkmale ist jedoch oft komplex, und die Berechnungseffizienz ist gering. Im Vergleich zu traditionellen Methoden können Methoden des tiefen Lernens direkt die multidimensionalen Merkmale von Zielen erlernen und eine höhere Genauigkeit bei der Identifizierung von Zielen erreichen. Die Leistungsfähigkeit von Methoden des tiefen Lernens ist jedoch schlecht und schwer interpretierbar. Daher sollten insgesamt Methoden des tiefen Lernens auf der Basis von elektromagnetischen Streuungsmerkmalen und Merkmalen neuronaler Netze auftreten. In diesem Artikel werden die Forschungsergebnisse der Methoden zur Identifizierung von Zielen auf der Basis von Streuungsmerkmalen und der neuroanatomischen Merkmale diskutiert, die Anwendung dieses Modells einer elektromagnetischen Streuung im Bereich der Identifizierung von Zielen wie Fahrzeugen, Flugzeugen und Schiffen im Bereich der Forschung zur zukünftigen Entdeckung und Identifizierung von Zielen ausschöpfend beleuchtet und eine allgemeine Schlussfolgerung gezogen.

Synthetische Apertur-Radar; Zielidentifizierung; Faltungsneuronales Netz; elektromagnetische Streuungsmerkmale; Parameterschätzung