[发明专利]一种基于类别置信度的一维距离像多分类器融合识别法

说明书

本发明公开一种基于类别置信度的一维距离像多分类器融合识别法。首先，利用欧式距离测度对经过预处理的实测一维距离像信号样本幅度特征提取其K个最近邻样本；接着，由各子分类器分类结果得到邻域样本类别的可靠性评估进而获得各分类器评估矩阵；最后，由评估矩阵获得该样本所属各类别置信度达到分类目的。本发明基于决策融合理论，结合K‑最近邻思想，利用最近邻和贝叶斯准则获得目标样本的类别置信度完成目标类别划分。相较于单一分类器和传统投票法等决策融合方案，本方法识别精度更高、鲁棒性更好，是具有实用价值的一维距离像决策融合识别方法。

技术领域

本发明涉及利用多分类器融合识别一维距离像的技术，具体涉及一种基于类别置信度的一维距离像多分类器融合识别法。

背景技术

自动目标识别是雷达研究应用中的关键领域。高分辨率距离像(HRRP)由于其包含丰富的目标特征且数据量较小，是实现目标实时分类的重要研究方向。在HRRP识别中分类器设计是一个重要研究方向，设计合理的分类器能够有效提高识别精度和鲁棒性。然而，单一分类器的性能提升始终有限，随着融合思想的提出，近年来思考如何将多分类器对同一目标的识别结果进行合成得到更加精确的分类输出成为目标识别领域的研究热点。

关于目标的多分类器融合识别，目前主要有两方面：一是着眼于改善分类器的结构，在分类器融合过程中不会对分类器的输出有任何操作而是在多个分类器中寻找一个或一组最好的分类器以其结果为最终分类标准；另一类则是对分类器输出结果进行操作，通过一定的融合准则对多分类器的输出进行有效计算，得到最合适的样本类别。传统的融合方法有多数投票法、加权平均法、贝叶斯法等，这些方法都能够将分类器的结果进行有效的考量得出合理的融合结果，但其都没有综合考量分类器的取舍、分类器间的相互关系及其对分类结果的贡献度，且其只对单一测试样本在各分类器下的结果进行融合，导致融合结果相较于单一分类器并没有很大的提升，且鲁棒性较差，难以在工程实践中很好地应用。

发明内容

发明目的：本发明的目的是提供一种基于类别置信度的一维距离像多分类器融合识别法，相比于单一分类器和已有融合方案在不同环境下都能保持较高的识别精度和稳定性，最终识别精度相较于单一分类器最少提高4个百分点，和传统融合方法相比提高2-3个百分点。

为了达到上述目的，本发明采用如下技术方案：

一种基于类别置信度的一维距离像多分类器融合识别法，步骤如下：

第1步：对包含C种类别的训练样本集和测试样本y，提取其归一化幅度特征并进行平移对齐操作，得到平移对齐后的训练样本幅度特征集和测试样本幅度特征h_y；

第2步：根据K-最近邻准则，利用欧式距离测度得到测试样本y最近邻的K个训练样本x₁,x₂,...,x_K；

第3步：对K个最近邻训练样本，由多种分类器分别对其进行识别得到基于各分类器的邻域样本类别可靠性；

第4步：由各分类器下的邻域样本类别可靠性计算各分类器类别评估矩阵R^m(m＝1,2,...,M)；

第5步：由分类器类别评估矩阵分别计算各分类器评估精度G^m(m＝1,2,...,M)，对精度较差的分类器进行剔除，最终筛选出M₁个分类器进行目标类别置信度赋值；

第6步：计算目标各类别置信度W_c(c＝1,2,...,C)，其最大值W_max所对应的类别即为测试样本最终判定类别归属。

进一步的，第2步中，对于测试样本y和任意训练样本其幅度特征h_y和的欧式距离为：