[发明专利]一种修正式模式识别及统计建模的高斯混合模型方法

权利要求书

1.一种修正式模式识别及统计建模的高斯混合模型方法，其特征在于，包括以下步骤：

步骤一：采集目标特征数据，通过对目标特征数据处理后建立特征数据集，基于特征数据集的第一个特征数据点创建第一个特征高斯成分；

步骤二：以特征数据点出现的先后顺序，逐个计算其与现有特征高斯成分间的马氏距离平方，以马氏距离为准则对现有特征高斯成分进行创建或迭代更新，其具体准则为：若其马氏距离平方大于马氏距离阈值，则根据该特征数据点创建新的特征高斯成分；若其马氏距离平方小于马氏距离阈值，则保持原有成分数量不变，并依据此特征数据点对原有特征高斯成分参数进行更新。当所有特征数据点输入完成后，即可得到初步的高斯混合模型，确定最初所得目标函数，实现对提取目标特征的模式识别及统计建模；

步骤三：基于马氏距离去除原有的特征高斯成分,基于自适应阈值曲线结合马氏距离阈值去除虚假特征高斯成分以获得最终目标函数，实现对目标特征的高精度分类。

2.如权利要求1所述的一种修正式模式识别及统计建模的高斯混合模型方法，其特征在于，采集到的目标特征数据，通过处理后建立D维的特征数据集X＝{X₁,X₂,……X_N}，基于特征数据流的第一个特征数据点X₁创建第一个特征高斯成分，具体参数如式(1)所示：

其中μ₁、W₁、H₁、Σ₁、δ分别表示该特征高斯成分的数学期望、权重、累加概率、协方差矩阵和尺度系数，其中默认δ＝1。

3.如权利要求1所述的一种修正式模式识别及统计建模的高斯混合模型方法，其特征在于，所述步骤二包括以下步骤：

S21：以单向数据流的方式逐个计算特征数据点x_i(i＝2,3…N)与第k个特征高斯成分(k＝1,2…M)之间的马氏距离平方，如式(2)所示：

马氏距离平方服从自由度为D的卡方分布，据此马氏距离阈值可表示为根据相关资料和反复实验分析取1-α＝0.995。

S22：如果特征数据点x_i与现有特征高斯成分之间马氏距离平方均大于阈值，则认为特征数据点x_i不属于任一特征高斯成分，此时根据特征数据点x_i创建一个新的特征高斯成分，如式(3)所示：现有特征高斯成分的个数更新为M＝M+1：

其中表示现有特征高斯成分累加概率总和。

S23：如果特征数据点x_i与特征高斯成分k之间马氏距离平方小于阈值，则认为特征数据点x_i属于第k个特征高斯成分，此时对特征高斯成分k原有的参数进行迭代更新以及根据矩阵的行列式引理|(A+uv^T)|＝|A|(1+v^TA^-1u)、Sherman-Morrison公式和式(9)对协方差矩阵的行列式及其逆矩阵进行更新：

H_k＝H_k+g(μ_k,∑_k|x_i) (6)

其中g(μ_k,∑k|x_i)为贝叶斯公式，g(x_i|μ_k,∑k)为高斯概率密度函数。

4.如权利要求1所述的一种修正式模式识别及统计建模的高斯混合模型方法，其特征在于，所述步骤三包括以下步骤：

S31：依据权重按降序对特征高斯成分重组排序，然后根据自适应阈值曲线方程：

将权重小于阈值曲线的特征高斯成分去除，对于自适应阈值曲线的设定，是由反复实验统计特征高斯成分中权重较小的成分，经数学拟合得出；

S32：根据马氏距离阈值去除交叉的特征高斯成分。逐个计算特征高斯成分k与其余特征高斯成分k′(k′＝1,2…,M且k′≠k)中心点之间的马氏距离平方：

对于式(14)中的马氏距离平方，依旧使用作为马氏距离阈值，寻找特征高斯成分k′，使得其满足小于阈值计算k′满足小于阈值的成分个数n,若n≥2,则删除成分k，若n＝1,则删除成分k与k′之中权重较小的成分，若n＝0，则保留特征高斯成分k。将最终保留的特征高斯成分依据权重按降序重组排序，更新M为现有特征高斯成分的个数，最终得到目标函数：

实现对所提取目标特征的模式识别及统计建模。