[发明专利]联合SVM和HMM的导航场景感知通用模型构建方法

权利要求书

1.联合SVM和HMM的导航场景感知通用模型构建方法，其特征在于：包括基于结果层面融合的SVM-HMM1模型构建与基于概率层面联合的SVM-HMM2模型构建，具体实现步骤如下：

步骤1，利用环境传感器的观测数据与真实参考标签提取特征指纹，将其与目标导航场景进行相关性分析，提取强相关特征指纹构成特征向量，并联合SFFS特征选择与LDA特征降维算法，进一步形成细分导航场景下的特征指纹库；

步骤2，使用步骤1构建的指纹库对SVM模型进行监督训练，选取分类精确度最高的SVM模型，利用训练得到的SVM模型实现测试数据的初步预测，分别输出导航场景的分类结果与分类概率；

步骤3，通过监督学习分类方法构造HMM的状态转移与发射概率表达，构造SVM-HMM1模型时，利用步骤2得到的分类结果分别计算HMM的初始状态概率、状态转移矩阵以及发射概率矩阵，联合步骤2的SVM模型构造基于结果层面融合的场景感知模型SVM-HMM1；构造SVM-HMM2模型时，则通过GMM方法构造更为精细的HMM状态转移与发射概率表达，利用步骤2得到的分类概率拟合GMM，实现多维连续的概率向量与发射概率间的转换，并通过Baum-Welch算法获取状态转移矩阵，联合步骤2的SVM模型构造基于概率层面融合场景感知模型SVM-HMM2；

步骤4，根据导航场景间的固有联通属性与切换概率，对步骤3中构造得到的HMM模型的状态转移参数进行修正，避免出现相邻时间内出现场景关联微弱的分类结果，从而提升导航场景感知的精度。

2.如权利要求1所述的联合SVM和HMM的导航场景感知通用模型构建方法，其特征在于：步骤1的具体实现方式如下；

步骤11，获取原始观测数据的统计值；通过对单历元解算的观测值求算均值、标准差、最大值、最小值、极差、四分位值统计值，提取不同观测值的总体特征；通过设置阈值的方式提取场景间差异更为明显的特征；

步骤12，将数据特征归一化，消除历元或数据集间的绝对数量差异所导致的非必要差异；

步骤13，采用相关性分析联合的SFFS算法进行数据特征选择，首先相关性分析对数据特征进行初步筛选，随后将相关性较强的数据特征进行SFFS特征选择，通过构造评价函数，将数据特征x依次加入特征向量X^*使得评价函数取值达到最优；

步骤14，采用LDA降维方法将特征向量投影至低维空间，降低训练模型所花费的时间；LDA降维方法采用监督学习算法实现，通过计算类内散度矩阵S_b与类间散度矩阵S_w获取映射矩阵并将特征向量投影至低维空间，表示为

式中，Y^*为映射至低维空间后的特征向量；

经上述步骤处理后，计算得到的特征向量与真实场景标签通过设定的数据结构存储形成导航场景特征指纹库。

3.如权利要求1所述的联合SVM和HMM的导航场景感知通用模型构建方法，其特征在于：步骤2中基于网格搜索法选定SVM模型的最优超参数，具体包括如下步骤；

步骤21，依据SVM模型的待定超参数，选取核函数、惩罚系数、gamma系数作为网格搜素对象，并依据各参数的候选范围，构建待定参数网格阵列；

步骤22，依据步骤21的待定参数网格阵列，迭代搜素超参数组合，训练SVM模型，根据分类精确度筛选确定最终模型；训练过程利用拉格朗日乘子法构造目标函数，并通过SMO算法求解最优化的SVM模型，拉格朗日目标函数可表示为：

式中，(X_i,Y_i)为训练集中特征指纹与真实标签样本点，α为拉格朗日乘子算法引入的约束条常数，α为长度为n的向量，其第i个元素表示为α_i，W、b为超平面参数，φ(·)为SVM模型的映射函数；

步骤23，利用步骤22训练得到的SVM模型输出分类结果与分类概率。