本發(fā)明涉及利用多分類器融合識別一維距離像的技術(shù)，具體涉及一種基于類別置信度的一維距離像多分類器融合識別法。

背景技術(shù)：

自動目標(biāo)識別是雷達(dá)研究應(yīng)用中的關(guān)鍵領(lǐng)域。高分辨率距離像(hrrp)由于其包含豐富的目標(biāo)特征且數(shù)據(jù)量較小，是實(shí)現(xiàn)目標(biāo)實(shí)時分類的重要研究方向。在hrrp識別中分類器設(shè)計(jì)是一個重要研究方向，設(shè)計(jì)合理的分類器能夠有效提高識別精度和魯棒性。然而，單一分類器的性能提升始終有限，隨著融合思想的提出，近年來思考如何將多分類器對同一目標(biāo)的識別結(jié)果進(jìn)行合成得到更加精確的分類輸出成為目標(biāo)識別領(lǐng)域的研究熱點(diǎn)。

關(guān)于目標(biāo)的多分類器融合識別，目前主要有兩方面：一是著眼于改善分類器的結(jié)構(gòu)，在分類器融合過程中不會對分類器的輸出有任何操作而是在多個分類器中尋找一個或一組最好的分類器以其結(jié)果為最終分類標(biāo)準(zhǔn)；另一類則是對分類器輸出結(jié)果進(jìn)行操作，通過一定的融合準(zhǔn)則對多分類器的輸出進(jìn)行有效計(jì)算，得到最合適的樣本類別。傳統(tǒng)的融合方法有多數(shù)投票法、加權(quán)平均法、貝葉斯法等，這些方法都能夠?qū)⒎诸惼鞯慕Y(jié)果進(jìn)行有效的考量得出合理的融合結(jié)果，但其都沒有綜合考量分類器的取舍、分類器間的相互關(guān)系及其對分類結(jié)果的貢獻(xiàn)度，且其只對單一測試樣本在各分類器下的結(jié)果進(jìn)行融合，導(dǎo)致融合結(jié)果相較于單一分類器并沒有很大的提升，且魯棒性較差，難以在工程實(shí)踐中很好地應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的是提供一種基于類別置信度的一維距離像多分類器融合識別法，相比于單一分類器和已有融合方案在不同環(huán)境下都能保持較高的識別精度和穩(wěn)定性，最終識別精度相較于單一分類器最少提高4個百分點(diǎn)，和傳統(tǒng)融合方法相比提高2-3個百分點(diǎn)。

為了達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于類別置信度的一維距離像多分類器融合識別法，步驟如下：

第1步：對包含c種類別的訓(xùn)練樣本集和測試樣本y，提取其歸一化幅度特征并進(jìn)行平移對齊操作，得到平移對齊后的訓(xùn)練樣本幅度特征集和測試樣本幅度特征hy；

第2步：根據(jù)k-最近鄰準(zhǔn)則，利用歐式距離測度得到測試樣本y最近鄰的k個訓(xùn)練樣本x1,x2,...,xk；

第3步：對k個最近鄰訓(xùn)練樣本，由多種分類器分別對其進(jìn)行識別得到基于各分類器的鄰域樣本類別可靠性；

第4步：由各分類器下的鄰域樣本類別可靠性計(jì)算各分類器類別評估矩陣r^m(m＝1,2,...,m)；

第5步：由分類器類別評估矩陣分別計(jì)算各分類器評估精度g^m(m＝1,2,...,m)，對精度較差的分類器進(jìn)行剔除，最終篩選出m1個分類器進(jìn)行目標(biāo)類別置信度賦值；

第6步：計(jì)算目標(biāo)各類別置信度wc(c＝1,2,...,c)，其最大值wmax所對應(yīng)的類別即為測試樣本最終判定類別歸屬。

進(jìn)一步的，第2步中，對于測試樣本y和任意訓(xùn)練樣本其幅度特征hy和的歐式距離為：

其中，分別表示幅度特征向量hy和的第j個元素；將所有訓(xùn)練樣本和測試樣本的歐氏距離按大小排列，取其最小的k個訓(xùn)練樣本為其最近鄰域x1,x2,...,xk，其幅度譜特征為h1,h2,...,hk。

進(jìn)一步的，第3步中，由分類器對鄰域樣本進(jìn)行分類，得到在一分類器下各鄰域樣本的條件類別概率其代表鄰域中第k個樣本其真實(shí)類別為ωi(c(xk)＝ωi)卻被該分類器分到類別ωj中的條件概率，在沒有任何先驗(yàn)知識的前提下，假設(shè)p(c(xk)＝ωi)服從均勻分布，且設(shè)則從而得到在該分類器下各鄰域樣本的加權(quán)類別可靠性：

αk代表距離權(quán)重，

τ為距離影響因子，dk定義為：

其中代表所有鄰域樣本與測試樣本y的最小距離。

進(jìn)一步的，第4步中，由所得到的各分類器下鄰域樣本類別可靠性求得其對應(yīng)的測試樣本類別評估矩陣r^m(m＝1,2,...,m)，對于任一分類器其測試樣本評估矩陣為：

其中rji代表矩陣中第j行i列的元素值；假設(shè)概率密度p(c(y)＝ωl)(l＝1,2,...,c)為均勻分布，則rji為：

由此得到各分類器類別評估矩陣r¹,r²,...,r^m。

進(jìn)一步的，第5步中，由類別評估矩陣計(jì)算各分類器的類別評估精度g^m(m＝1,2,...,m)：

為各分類器評估矩陣中的對角元素；求得各分類器評估精度，得到分類器評估精度最大值gmax，設(shè)立閾值ε，對與最大精度分類器評估精度相差大于ε的閾值進(jìn)行剔除，最終選出m1個符合要求的分類器進(jìn)行類別置信度賦值。

進(jìn)一步的，第6步中，由第m1個分類器對測試樣本y的分類結(jié)果知其類別概率分別為則該測試樣本第c個類別的置信度為：

代表在分類器m1下測試樣本分為c類的概率；由此得到測試樣本各類別的最終類別置信度，則類別置信度最大值所對應(yīng)的類別標(biāo)號即為測試樣本最終類別歸屬。

本發(fā)明采用上述技術(shù)方案具有如下有益效果：

1、識別精度高、魯棒性好：由于本發(fā)明提出的識別方法將多分類器識別結(jié)果進(jìn)行有效的決策融合，其中充分考慮到分類器的取舍、關(guān)聯(lián)和對分類結(jié)果的貢獻(xiàn)程度，結(jié)合k-最近鄰思想通過測試樣本鄰域?qū)Ψ诸愡^程進(jìn)行適當(dāng)?shù)妮o助判別，有效提高目標(biāo)識別的準(zhǔn)確度和抗干擾性。

2、應(yīng)用范圍廣泛：本發(fā)明提出的一維距離像融合識別方法可以根據(jù)應(yīng)用場景的不同做適當(dāng)?shù)母淖儚亩鴶U(kuò)展到解決多種目標(biāo)識別問題，例如光學(xué)圖像識別、雷達(dá)二維圖像的識別等。

附圖說明

圖1是本發(fā)明解決一維距離像識別問題的流程示意圖；

圖2是本發(fā)明處理的一維距離像原始實(shí)信號回波示意圖；

圖3是本發(fā)明處理的一維距離像歸一化幅度特征的示意圖；

圖4是本發(fā)明相較于單一分類器和其他融合方案的識別精度示意圖。

具體實(shí)施方案

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明確，以下參照附圖對本發(fā)明進(jìn)一步詳細(xì)說明。

本發(fā)明提出一種基于類別置信度的一維距離像多分類器融合識別法來達(dá)到在復(fù)雜環(huán)境下hrrp信號的穩(wěn)健識別。由于該方法基于決策融合理論，結(jié)合k-最近鄰思想，利用最近鄰域樣本從側(cè)面輔助測試樣本識別，由貝葉斯準(zhǔn)則完成分類器的取舍以獲得目標(biāo)樣本的類別置信度完成目標(biāo)類別劃分，實(shí)驗(yàn)證明該方法相較于單一分類器及傳統(tǒng)融合方法識別精度有很大的提升，在復(fù)雜環(huán)境中表現(xiàn)也相對穩(wěn)定，是有效且實(shí)用的多分類器融合識別方法。

本發(fā)明提供一種基于類別置信度的一維距離像多分類器融合識別法，總流程圖如圖1所示?，F(xiàn)有一飛機(jī)一維距離像實(shí)信號回波數(shù)據(jù)如圖2所示，實(shí)際情況中不同型號的飛機(jī)回波各不相同，同一型號飛機(jī)不同角度的回波信號也有所差異。本發(fā)明主要解決該類一維回波信號的多分類器融合識別分類問題，這里以4個不同分類器(m＝4)：高斯核支持向量機(jī)、線性支持向量機(jī)、貝葉斯分類器和神經(jīng)網(wǎng)絡(luò)分類器融合識別為例介紹本方案的具體步驟：

第1步：對包含c種類別的訓(xùn)練樣本集和測試樣本y，提取其歸一化幅度特征并進(jìn)行平移對齊操作，得到平移對齊后的訓(xùn)練樣本幅度特征集和測試樣本幅度特征hy，其中訓(xùn)練樣本歸一化幅度特征為：

如圖3所示；其中|·|表示取模，||·||2表示取2范數(shù)，n表示訓(xùn)練樣本數(shù)；由于幅度特征的平移敏感性，需要對其進(jìn)行平移對齊操作，這里采用較為常用的最大相關(guān)平移對齊法，其中信號和的互相關(guān)系數(shù)為：

式中<·>表示內(nèi)積運(yùn)算；則信號以第一個幅度特征作為標(biāo)準(zhǔn)，后面依次平移直到與第一個信號幅度特征互相關(guān)系數(shù)達(dá)到最大，即平移量p為：

得到平移對齊后的歸一化幅度特征向量集測試樣本幅度特征提取與平移對齊操作與此同理。

第2步：根據(jù)k-最近鄰準(zhǔn)則，對于測試樣本y和任意訓(xùn)練樣本其幅度特征hy和的歐式距離為：

其中，分別表示幅度特征向量hy和的第j個元素；將所有訓(xùn)練樣本和測試樣本的歐氏距離按大小排列，取其最小的k個訓(xùn)練樣本為其最近鄰域x1,x2,...,xk，其幅度譜特征為h1,h2,...,hk。

第3步：由分類器對鄰域樣本進(jìn)行分類得到在一分類器下各鄰域樣本的條件類別概率其代表鄰域中第k個樣本其真實(shí)類別為ωi(c(xk)＝ωi)卻被該分類器分到類別ωj中的條件概率，假設(shè)p(c(xk)＝ωi)服從均勻分布，且設(shè)則從而得到在該分類器下各鄰域樣本的加權(quán)類別可靠性：

這里αk代表距離權(quán)重：

這里τ為距離影響因子，用來控制距離因素的影響程度，本示例中取τ＝1，dk定義為：

其中代表所有鄰域樣本與測試樣本y的最小距離；其他分類器下y各鄰域樣本的類別可靠性與此同理。

第4步：由所得到的各分類器鄰域樣本類別可靠性求得其對應(yīng)的類別評估矩陣r^m(m＝1,2,...,m)，對于任一分類器其測試樣本評估矩陣為：

其中rji代表矩陣中第j行i列的元素值；由以上假設(shè)概率密度p(c(y)＝ωl)(l＝1,2,...,c)為均勻分布，因此rji可寫為：

由此得到各分類器類別評估矩陣r¹,r²,...,r^m。

第5步：由類別評估矩陣計(jì)算各分類器的類別評估精度g^m(m＝1,2,...,m)：

這里為各分類器評估矩陣中的對角元素；求得各分類器評估精度，得到分類器評估精度最大值gmax，設(shè)立閾值ε，對與最大精度分類器評估精度相差大于ε的閾值進(jìn)行剔除，最終選出m1個符合要求的分類器進(jìn)行測試樣本類別置信度賦值。

第6步：由第m1個分類器對測試樣本y的分類結(jié)果知其類別概率分別為則該測試樣本第c個類別的置信度為：

這里，代表在分類器m1下測試樣本分為c類的概率；由此得到測試樣本各類別的最終類別置信度，則類別置信度最大值所對應(yīng)的類別標(biāo)號即為測試樣本最終類別歸屬：

圖4給出了單一最優(yōu)分類器及傳統(tǒng)融合識別方案與本文方法的識別精度對比示意圖。由以上數(shù)據(jù)可以看出，本文所提融合方法在相同噪聲背景下識別精度更高且在高噪環(huán)境下依然能實(shí)現(xiàn)較為精確的識別，相比單一最優(yōu)分類器平均識別精度提高4個百分點(diǎn)左右，比傳統(tǒng)融合識別方案高出2-3個百分點(diǎn)。實(shí)驗(yàn)證明本方法具有更好的識別精度和魯棒性，具有較大的實(shí)際應(yīng)用價值。