[发明专利]一种基于多尺度稀疏保持投影一维距离像融合识别方法

权利要求书

1.一种基于多尺度稀疏保持投影的一维距离像融合识别方法，其特征在于，包括步骤：

步骤1：对训练样本集X＝[x₁,x₂,...,x_N]，提取其归一化频谱幅度特征集并进行平移对齐，得到平移对齐后的特征集H＝[h₁,h₂,...,h_N]；x_i表示第i个训练样本向量，表示与x_i对应的频谱幅度特征向量，N表示样本数；

步骤2：利用一维高斯拉普拉斯算子f对步骤1得到的特征集中的特征进行多尺度空间映射，得到训练样本多尺度空间特征向量集Z_i表示在尺度为i时，所有训练样本向量的空间映射集合；

步骤3：采用稀疏保持投影算法得到步骤2中训练样本多尺度空间特征向量集的多尺度稀疏特征向量集M表示总尺度个数；

步骤4：利用M个线性支持向量机分类器分别对步骤3中多尺度稀疏特征向量集的C₁,C₂,...,C_M进行学习；

步骤5：对测试样本y提取其归一化幅度特征并与训练样本进行平移对齐，得到平移对齐后的幅度特征h_y；利用一维高斯拉普拉斯算子f对h_y进行多尺度空间映射，得到测试样本多尺度空间特征向量集Z_y＝[Z_y1,Z_y2,...,Z_yM]；采用稀疏保持投影算法得到测试样本多尺度空间特征向量集Z_y＝[Z_y1,Z_y2,...,Z_yM]的多尺度稀疏特征向量集C_y＝[C_y1,C_y2,...,C_yM]；

步骤6：通过麦哈顿距离确定测试样本幅度特征h_y的k个最近邻训练样本幅度特征集

步骤7：分别求出h_y与k个最近邻训练样本特征的相似度设定阈值P1，当小于阈值P1时将其舍去，最终筛选出k₁个最近邻训练样本；

步骤8：对步骤7得到的k₁个最近邻训练样本，由步骤4中训练完成的M个线性支持向量机分类器对其M个尺度空间稀疏特征向量集进行识别得到第j个分类器混淆矩阵Q_j，分别计算第j个分类器的置信度R_j；

步骤9：从步骤8中得到置信度最大的分类器L，设定阈值P2，对与L置信度差别大于P2的分类器进行剔除，筛选出的分类器对目标进行类别权重赋值，则权重最大的类别即为最后测试样本的判决输出结果。

2.根据权利要求1所述的一维距离像融合识别方法，其特征在于，所述步骤1中提取训练样本集的归一化频谱幅度特征集具体为：

其中|·|表示取模，||·||表示取2范数，N表示样本数。

3.根据权利要求1所述的一维距离像融合识别方法，其特征在于，所述步骤1采用的平移对齐为最大相关平移对齐法；具体如下：

信号和的互相关系数为：

式中·表示内积运算；

信号以第一个幅度特征作为标准，后面依次平移直到与第一个幅度特征信号互相关系数达到最大，设第一个信号幅度特征为则平移t个距离单位，t满足：

得到平移对齐后的归一化幅度特征向量集H＝[h₁,h₂,...,h_N]。