[发明专利]基于高斯混合模型的非合作水中目标自动识别方法

权利要求书

1.一种基于高斯混合模型的非合作水中目标自动识别方法，其特征在于包括以下步骤：

步骤一、对数据集内观察到的训练样本进行预处理，包括预加重、分帧和加窗三个部分；所述训练样本为水声目标数据；

步骤二、对预处理后的训练样本提取MFCC特征；

步骤三、利用集内数据提取的MFCC特征作为特征向量，训练GMM模型；其中，对于特征向量，它在GMM中的混合概率密度被定义为：

其中，x为特征向量，λ为GMM，p(x|λ)表示特征向量出现在模型λ中的似然率，M为GMM的混合度，p_i(x)为各个单变量高斯密度函数的概率密度，ω_i为各个单变量高斯密度函数所占的混合权重，并需要满足限定关系式：

混合概率密度是GMM中M个p_i(x)的加权线性组合；p_i(x)的表示如式(3)所示：

式中，D为特征向量的维数，μ_i表示第i个单变量高斯密度函数的D维均值向量，∑_i表示第i个单变量高斯密度函数的D×D的协方差矩阵，其中i＝1,2,...,M；其中混合度M会事先选定，大于其类别数即可，而μ_i、∑_i和ω_i则利用期望最大化算法，即EM算法，从而训练出GMM模型，具体步骤如下：

(a)对于给定的特征序列X＝{x₁,x₂,x₃,...,x_T}，选定需要训练的GMM的混合度M，并给第i个高斯分布的权重、均值和方差设置初始值，按式(1)计算p(x_t|λ)，再按式(4)计算对数似然函数：

(b)根据给定的权重、均值和方差的初始值，按照式(5)计算特征向量的后验概率；

(c)根据步骤(b)计算的后验概率再计算新的权重、均值和方差，并重新代入式(4)计算新的对数似然函数：

对于第i个高斯密度函数，含有特征向量的个数为：

权重为：

均值为：

方差为：

(d)反复迭代步骤(b)和步骤(c)，直至对数似然函数或估计的参数收敛；

(e)此时求得的权重、均值和方差这三个参数，使p(X|λ)达到最大，完成GMM的参数估计，训练出GMM模型；

步骤四、对集内未观察到的数据和集外数据作为测试样本同样进行步骤一与步骤二中预处理以及提取MFCC特征的步骤；

步骤五、将测试样本代入训练好的GMM中，计算似然率；对于代表待识别目标的特征向量x而言，判断方法可由下式决定：

Λ(x)＝logp(x|λ) (10)

通过给定一个阈值，将特征向量属于集内的对数似然率与阈值的大小进行比较，若对数似然率大于阈值，则样本属于集内，反之则样本属于集外；

步骤六、测试系统时，分别计算系统的虚警概率E_fa和漏警概率E_miss，定义如下：

其中，n_fa表示集外数据被误判为集内数据的次数，n_imposter是指集外数据的个数，n_miss是指集内数据被漏判为集外数据的次数，n_target是指集内数据的个数；

检测错误关系曲线，即DET曲线，是在测试集得分范围内，根据不同的判决阈值所得到的E_fa和E_miss的对应关系曲线图；DET曲线越靠近左下方，越接近原点，对应的E_fa和E_miss越低，错误情况出现的可能性越小，模型精度越高，系统识别的准确率更好；随着阈值的减小，E_fa增大而E_miss减小，DET曲线呈下降趋势，当阈值减小到某点时，E_fa＝E_miss＝EER，对应的阈值就是等误识率阈值；通过绘制DET曲线，找出等误识率和等误识率阈值用于系统的实际使用阶段。