本人的博士课题是利用机器学习的一些方法来处理雷达图像（SAR，ISAR，HRRP）。前期的重心一直放在了机器学习的模型和算法上面，也有了一点点小的成果。我研究的模型是一种受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）.具体来说是一种无穷受限玻尔兹曼机（infinite RBM）. 这中模型能够对高维数据的概率分布建模，模型中的隐藏单元（hidden units）能够学习数据中的一些结构，从而提取数据的特征。
为什么要使用RBM作为雷达图像的特征学习呢？我有这么几点考虑：
1. RBM能够表示很复杂的高维数据的分布，雷达图像的分布会随着目标的姿态发生变化，这种变化是具有一定规律的，但又取决与具体的目标，要描述这一规律是困难的。RBM可以根据数据来学习这一规律。
2.雷达数据的训练集往往比较小，而且会变化。因而我们需要小心的选取模型的复杂度来防止过拟合。而 infinite RBM 是一种非参数模型（non-parametric model），它能根据数据自动确定模型复杂度，防止过拟合发生。
3. RBM兼具通用性和灵活性的特点，我们可以利用特定领域的知识来设计特殊的模型结构，这样它就能更有效的学习特定类型的数据。
我已经完成的主要工作总结：
1. On better training the infinite restricted Boltzmann machines.点击打开链接
这篇文章提出了一种简单有效的提高 infinite RBM 训练收敛速度和泛化效果的方法。内附放在GitHub上的本算法的代码，用matlab编写。
2. An Adaptive Feature Learning Model for Sequential Radar High Resolution Range Profile Recognition.点击打开链接
inifnite RBM 的判别形式 Discriminative inifnite RBM (Dis-iRBM) 在雷达高分辨距离像识别上的应用。本文用到的数据来自MSTAR数据库，我们将SAR转换成了HRRP序列。
3. An infinite conditional restricted Boltzmann machine with applications on Radar High Resolution Range Profile Recognition. (已投 Pattern Recognition)
本文提出了一种非参数的条件玻尔兹曼机（conditional restricted Boltzmann machine，CRBM）。该模型能学习高维序列数据的条件分布，同时也能自动学习模型的复杂度。本文给出了两种HRRP识别的实验结果。一种是多视角目标识别，一种是小孔径目标识别。使用的数据也都来自与MSTAR数据库。
下面简单说一下MSTAR数据库。该实验数据采用美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布的实测SAR地面目标数据。采集该数据集的传感器为高分辨率的聚束式合成孔径雷达，该雷达的分辨率为0.3m×0.3m。工作在X波段，所用的极化方式为HH极化方式。对采集到的数据进行前期处理，从中提取出像素大小为128×128包含各类目标的切片图像。目前使用最广泛的是三类目标（BTR70，BMP2，T72）和十类目标（三类目标+2S1，BRDM2，BTR60，D7，T62，ZIL131，ZSU234）数据集。三类目标的测试集中BMP2和T72还包含了两种型号的扩展，它们与原目标形状上有略微差异。MSTAR中还有很多其他的数据集，比如Mixed Targets,它包含了很多目标在多个不同俯仰角下的测试图像。
本人将十类目标的数据集的原始文件提取出来，保存为matlab 的mat格式。其中还包含了图像的方位角信息，并且SAR图像的完整信息（幅度和相位）也保存了。
我写这篇博客一是简单梳理一下我的工作，二是希望能与更多这一领域的牛人交流，希望我的这些初步的想法能够起到抛砖引玉的效果，那我就满足了。
