[发明专利]一种基于直觉模糊c均值聚类的目标识别方法

说明书

技术领域

本发明涉及模式识别技术，具体涉及一种基于特征加权直觉模糊c均值聚类的目标识别方法。

背景技术

目标识别是模式识别技术领域的一个研究热点问题，这一基础而又重要的技术在现代军事领域及诸多民事领域中均具有重要的意义，且得到了广泛的应用。目标识别是对基于不同传感器所得目标属性数据形成的一个组合目标进行身份说明，要求先度量目标属性，根据目标特征信息进行融合推理，获得对目标的准确描述。目标识别技术是具体研究利用各种传感器，从客观世界中获取目标/背景信号，并使用光电及计算机信息处理手段自动地分析场景信号，检测、识别感兴趣的目标及获取目标各种定性、定量性质的科学技术领域。

目标识别理论经过多年的发展，识别方法多种多样，鉴于目标特征值具有不完整、不确定性及模糊性等特点，许多专家学者提出基于不确定性理论的目标识别方法。较为经典的方法有基于Dempster-Shafer推理的异源信息目标识别方法，但这种方法由D-S方法得到基本可信度分配后决策结果却没有可行的统一方法，必须根据具体问题进行具体分析，特别是存在高冲突证据时往往会得到与常理相悖的结果。尽管改进方法很多，但这些方法大多没有考虑实际应用背景和证据集特点，因此无法保证识别结果的可靠性。另一经典方法是基于离散动态贝叶斯网络推理的目标识别方法，其中贝叶斯网络节点与结构均通过专家知识确定，需要相应的先验概率，但先验概率通常难以给定，所以构建的网络常与实际数据有较大偏差。发展前期另一经典方法是基于模糊理论的多传感器目标识别方法虽较其它方法该算法简单、可操作性强，但Zadeh模糊集在不确定性信息的描述、推理结果可信性等方面存在局限性。

进一步发展中，基于不确定性理论、各类算法的神经网络融合系统的研究蓬勃发展，它既不需要研究对象的大量背景知识，也不需要精确的数学模型，而是根据对象的输入输出数据寻找规律解决复杂的、不确定性问题。第一种经典方法是基于神经网络的目标识别方法，但当目标数据的信噪比变化时，无法适当地改变网络结构往往导致识别结果不理想。第二种经典方法是基于证据理论与神经网络的目标识别方法，虽可信度得到了较大的提高，但其模型结构隐含层的单元个数难以确定，仿真计算中重复性工作量大，且所建立的动态网络结构尚未解决。第三种经典方法是基于Rough集-神经网络系统的目标识别方法，该方法在一定程度上简化了网络结构，缩短了训练时间，提高了识别效率，但在决策表简化时往往丢失一些有用信息，导致信息表属性约简的计算量过大。第四种经典方法是基于遗传算法和神经网络的目标识别方法，该方法采用遗传算法来获取网络权值的初值，然后对神经网络进行训练来得到权值的全局最优解，克服了神经网络权值在训练过程中容易陷入局部极值点的问题，但遗传算法的早熟问题以及寻求最优解时收敛速度较慢等缺陷，在一定程度上影响了识别的效率。

聚类分析是多元统计分析的方法之一，也是统计模式识别中非监督模式分类的一个重要分支。聚类是根据“物以类聚”的自然法则对数据进行归类的一种多元统计分析方法，它按照数据对象各自的特性来进行合理地归类，要求同一类数据有很大的相似性，而不同类之间的数据却有很大的相异性。聚类分析源于很多领域，诸如数学、计算机科学、统计学、生物学和经济学等，而它亦被良好地应用于更多领域，比如语音识别、图像分割、数据压缩等。

在目标识别中，通过各种传感器所获得的目标特征信息进行融合推理，得到对各目标属性的准确描述。通常情况下，传统聚类算法往往假定待分析样本矢量的各维特征对分类的贡献是均匀的，但由于构成目标特征矢量的各维特征来自不同的传感器，因而存在量纲差异或精度、可靠性的不同，从而导致各维特征对分类的作用大小不均。鉴于此，本发明提出一种特征加权的直觉模糊c均值方法，采用特征选择技术——Relief算法对特征属性进行加权选择，给特征集中的每一个特征赋予不同的权重，使样本属性值的结构与意义更加完善真实。

发明内容

本发明的目的是提供一种基于特征加权的直觉模糊c均值聚类算法，主要解决了目标识别现有技术中类属型数据特征贡献隐含假意均匀性这一问题。另外从技术方法上亦能解决不确定性理论及神经网络理论等目标识别应用中产生的相关技术问题。

本发明采用的技术方案是：一种基于特征加权直觉模糊c均值聚类的目标识别方法，包括以下步骤：

S1，初始化算法中的参数；

S2，计算更新类属特征的权值ω_i；

S3，计算机更新划分隶属矩阵U_μ和划分非隶属矩阵U_γ；