[发明专利]基于改进PSO-TSNE特征选择的水下目标识别方法

说明书

本发明公开基于改进PSO‑TSNE特征选择的水下目标识别方法，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；利用T‑SNE对标准化数据集的数据进行降维处理，得到高维空间数据点之间的相似度、低维空间中数据点之间的相似度以及两者KL散度优化的目标函数和阶梯函数；利用改进的PSO算法获得最优的KL值；用最小的KL再次用利用T‑SNE对标准化数据集的数据进行降维处理，并取水下目标特征以确认目标。本发明采用更新后PSO对T‑SNE中的散度进行优化，使得T‑SNE的性能更好。

技术领域

本发明涉及图像识别技术领域，尤其涉及基于改进PSO-TSNE特征选择的水下目标识别方法。

背景技术

水下目标识别是水声技术领域亟待解决的技术难题之一。水下目标的图像处理与识别是水下机器人能够正常工作的不可或缺的技术保障。目标噪声信号的特征提取是目标识别器的关键技术,为此学者们提出了多种特征提取方法,试图从不同角度获得噪声信号的特征。为保证识别的正确率应将多种特征加以组合，但会带来数据维数过高，识别速率下降的问题。

发明内容

本发明的目的在于提供基于改进PSO-TSNE特征选择的水下目标识别方法。

本发明采用的技术方案是：

基于改进PSO-TSNE特征选择的水下目标识别方法，其包括以下步骤：

步骤1，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；

步骤2，利用T-SNE对标准化数据集的数据进行降维处理，得到高维空间数据点x_i与x_j之间的相似度p_ij、低维空间中数据点y_i与y_j之间的相似度q_j|i以及p_ijq_j|i之间KL散度优化的目标函数和阶梯函数；

步骤3，利用改进的PSO算法获得最优的x、y和KL值；

步骤4，用最小的KL再次用利用T-SNE对标准化数据集的数据进行降维处理

步骤5，提取水下目标特征以确认目标。

进一步地，作为一种优选实施方式，步骤1中将水下目标辐射噪声信号进行筛选、标记和梅尔频率倒谱系数(Mel-frequency cepstral coefficients，MFCC)特征提取得到原始特征数据集；并对其进行中心化和无量纲化处理得到标准化数据集；

进一步地，作为一种优选实施方式，步骤1中采用归一化方差方式对原始特征数据集的数据进行无化量纲的处理。

进一步地，作为一种优选实施方式，步骤2中高维空间数据点x_i与x_j之间的相似度p_ij的计算公式如下:

其中，δ_i是以数据点x_i为中心的正态分布的方差。其中，高维空间数据点x_i，δ_i是以数据点x_i为中心的正态分布的方差；p_j|i是代表高维空间的相似条件概率，p_ij代表着联合概率分布；n代表数据点的个数，k属于n个数据点中的一个。

进一步地，作为一种优选实施方式，步骤2中低维空间中数据点y_i与y_j之间的相似度q_j|i的计算公式如下: