[发明专利]一种基于可信度估计的水下多类目标分类方法

说明书

本发明提供了一种基于可信度估计的水下多类目标分类方法，首先构建水下多目标数据集并给出其幂集，然后给出每个二类SVM分类器的分类结果，计算矛盾因子和每个二类SVM分类器的置信度，从而得到每个需要判别的水下目标类别的分类正确率。本发明针对无法确定每个二类SVM分类器的置信程度以及无法将多个二类SVM分类器的结果进行有效融合的问题，通过利用高斯型隶属度函数来表示每个二类SVM的信度因子以及利用构建的置信融合规则融合每个带有信度因子的二类SVM的输出结果，从而能够在增加每个二分类器的可信度的基础上识别出水下的多类目标，提高水下多类目标的分类正确率。

技术领域

本发明属于信息信号处理领域，涉及水下信号处理、支持向量机、D-S证据理论、分类器融合等理论方法。

背景技术

自20世纪80年代以来，由于水下目标分类识别技术具有极为重要的应用价值，已成为水下装备领域研究中的一大热点。由于海洋环境的复杂多变及海洋环境噪声的非平稳性等原因，水下多类目标的分类方法相对于水下二类目标的分类识别任务具有较高的难度。

目前解决多分类问题的方法有很多，如决策树法、贝叶斯法、人工神经网络算法等。决策树法的鲁棒性较差，对于噪点较多的数据算法的有效性较差。贝叶斯法要求特征向量中各个特征维度是独立的，这一条件在实际情况下很难成立。人工神经网络算法容易陷入局部最优解，在应用范围受到了一定的限制。考虑水下目标构成的小样本集，基于统计学习理论的支持向量机(Support Vector Machines,SVM)技术以其突出的理论优势，广泛的应用于水中目标识别领域。从分类的角度讲，SVM算法本质上是一个二类分类算法，不能直接用来解决多类分类问题，而现实中的分类问题一般情况下都是多分类问题。在解决多分类识别问题时，主要方法是联合一组二类分类器使用某种策略决定输入样本的类别，目前采用SVM算法实现水下多类目标的分类问题时，为了减小所需训练的二类SVM分类器的数量，采用“一对多”SVM策略，将一个多类目标的分类问题转化为多个二类问题进行计算。其中，每个SVM分类器独立进行训练，并且标准SVM输出的是测试样本的类别标签，在进行多分类识别问题时主要采用投票机制。因此，在使用多分类SVM算法时，会存在两个问题：一是对于每个二类SVM的结果无法确定其权重值，即无法确定每个二类SVM分类器的置信程度；二是无法将多个二类SVM分类器的结果进行有效融合。

发明内容

为了克服现有技术的不足，本发明提供一种基于可信度估计的水下多类目标分类方法，通过利用高斯型隶属度函数来表示每个二类SVM的信度因子以及利用D-S证据理论的组合规则融合每个带有信度因子的二类SVM的输出结果，从而能够在增加每个二分类器的可信度的基础上识别出水下的多类目标，提高水下多类目标的分类正确率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

第一步，通过水听器录取多类目标的数据作为样本集M＝{X_k,Y_l}，其中，X_k＝{x₁,x₂,…,x_k}表示送入到SVM分类器中的训练集，Y_l＝{y₁,y₂,…,y_l}表示送入到SVM分类器中的测试集；构建水下多目标集Θ＝{θ₁,θ₂,…θ_N}，其幂集用表示，其中多目标集Θ中所有目标作为样本组成样本集M，θ_i表示所要分类的多类目标的类型，i＝1,2,…,N，N表示需要判别的水下目标类别的类别数，表示空集；

第二步，依次把某个类别的样本归为一类，其余的样本归为一类，从而构造出N个二类SVM分类器；将训练集X_k＝{x₁,x₂,…,x_k}中的元素送入二类SVM分类器得到N对分类结果m_j(·)，j＝1,2,…,N；