1.融合卷积特征和集成超限学习机的SAR目标识别方法，其特征在于该方法的具体步骤是：步骤(1).对原始SAR图像进行预处理，通过滤波算法降低相干斑噪声影响，提取SAR目标切片图像；

步骤(2).随机生成一定数量具有不同核宽的二维卷积核，采用这些卷积核对SAR图像目标切片进行滤波，基于滤波后的图像生成特征向量；

步骤(3).训练阶段，基于集成学习思想，随机生成特征索引，对基于步骤(1)和(2)得到的目标特征向量进行随机抽样生成新的特征向量，将所有训练样本得到新的特征向量组合成一个矩阵，采用超限学习机训练得到分类器；重复若干次，训练得到多个分类器；

步骤(4).根据步骤(1)和(2)对待识别的SAR图像提取特征向量，根据步骤(3)对特征向量进行随机抽样生成新的特征向量，同时利用训练好的分类器进行目标类别预测，并对所有分类器结果进行投票表决，确定目标的类别。

2.根据权利要求1所述的一种融合随机卷积特征和集成超限学习机的SAR目标识别方法，其特征在于步骤(2)具体包括以下步骤：随机生成一定数量具有不同核宽的二维卷积核，采用这些卷积核对SAR图像目标切片进行滤波，具体是：设定二维卷积核的核宽分别为3,5,7,9,11,13，随机选择卷积核的宽度，按照式(1)生成N个二维卷积核Kernel；

Kernelm(i,j)＝2×rand()-1    式(1)

其中，i，j分别表示二维卷积核的行，列坐标，m＝1…N表示二维卷积核的索引，rand()产生位于区间[0 1]均匀分布的随机数；

采用生成的二维卷积核Kernel对目标切片图像进行滤波，如式(2)所示；

Fm＝Kernelm*padding(P)    式(2)

其中，Fm表示计算得到的二维卷积特征，Kernelm为第m个卷积核，*表示卷积操作，padding(P)表示根据卷积核的宽度对目标切片图像P边缘用0进行填充，使得Fm与I的大小保持一致；

为使获得的二维随机卷积特征对目标平移具有一定的不变性，采用池化操作进行特征变换，如式(3)所示；

其中，i，j＝1…33-r，r为池化操作进行的区域宽度；

将经过池化操作后的二维卷积特征Pm拉伸成列向量fm，此列向量的维数为[(33-r)21]，并将这N个特征向量(f1,...,fm,...,fN)按照顺序合并成一个维数更大的特征向量f，该特征向量的维数为[N×(33-r)21]。

3.根据权利要求1所述的一种融合随机卷积特征和集成超限学习机的SAR目标识别方法，其特征在于步骤(3)具体包括以下步骤：

3.1训练阶段，随机生成特征索引，对基于步骤(1)和(2)得到的目标特征向量进行随机抽样生成新的特征向量，具体是：设待训练的分类器数目为C，对于第k个分类器而言，根据步骤(2)生成的特征维数，基于式(4)和(5)生成特征索引；

index＝floor(linspace(1,N×(33-r)2,N+1))   式(4)Clasindk(s)＝rands(index(s),index(s+1),floor(N×(33-r)2/C/N))   式(5)其中，linspace(x,y,n)表示生成元素个数为n的等差数列，x为起点，y为终点；floor()表示向下取整，rands(x,y,n)表示随机生成n个位于区间[x y]均匀分布的整数向量；

Clasindk(s)表示第k个分类器对应的特征索引，s的取值范围为1…N；

采用式(4)和式(5)相当于采用随机抽样的方式对每个卷积核提取的二维卷积特征进行特征选择，一方面起到了降维的目的，另一方面是期望通过随机方式获得目标的可能有效特征组合；训练阶段，将所有训练样本提取得到的新特征向量按列进行排列构成特征矩阵F，根据生成的特征索引生成特征子矩阵Fk；

3.2采用超限学习机，利用特征子矩阵Fk训练得到弱分类器，具体为：设超限学习机其分类模型为

其中，hi(x)＝G(ai，bi，x)为隐层输出响应值，G为隐层可采用的激活函数，x∈Rd，为输入特征向量，ai∈Rd，为输入层和隐层间的随机连接权重，bi∈R，为偏移值，L为隐层节点个数，β为输出权重向量；设训练样本数目为M，目标类别数目为B，ELM优化的目标函数为其中，δ1＞0,δ2＞0,p,q＝0,1,2…,+∞，λ为正则化参数，H为隐层节点输出的随机矩阵，T为目标类别向量，如式(8)所示；

当δ1＝2,δ2＝2,p＝2,q＝2时，式(7)具有闭环解，具体如式(9)和式(10)所示；

2

当M≤N×floor(N×(33-r) /C/(N+1))时，

当M＞N×floor(N×(33-r)2/C/(N+1))时，

其中，I为单位矩阵；由于已经通过随机化生成二维卷积核，并对输入图像进行卷积核池化操作以实现特征提取，采用上述ELM算法进行分类器训练时，对于第k个分类器设定根据训练样本标签确定T，利用式(9)或式(10)求取输出层权重向量βk。

4.根据权利要求1所述的一种融合随机卷积特征和集成超限学习机的SAR目标识别方法，其特征在于步骤(4)具体包括以下步骤：对于一个待测样本，设经过步骤(1)和步骤(2)提取的特征向量为f，根据第k个分类器所对应的特征索引Clasindk对特征f进行采样得到降维后的特征fk，利用式(10)求解得到一个1×B的向量，向量中的每个值代表属于某一类别的概率，通过式(11)求得最大位置处的索引即为目标的类别Labelk；

[～,Labelk]＝max(vk)    式(11)

根据Bagging算法思想，对所有C个分类器的结果进行投票表决，从而确定目标的最终估计类别，如式(12)所示；

Label＝MajorityVote(Labelk)k＝1…C    式(12)。