[发明专利]一种基于多模型融合的单类水声目标识别方法

摘要

本发明提出一种基于多模型融合的单类水声目标识别方法，本方法首先利用深度自编码神经网络提取水声目标的特征，构建水声目标深度特征训练样本集；然后利用Adaboost算法进行SVDD单类分类器集成学习，得到单类水声目标识别模型。这个模型可以对测试样本做出是否是目标类的判断。这个方法打破利用专家知识和先验知识提取水声目标的传统模式，利用深度自编码网络直接从原始信号提取单类水声目标的特征；通过增加个体分类器之间的差异性和准确性，利用集成学习，构建准确度高和泛化性好的单类水声目标识别模型。

主权项

1.一种基于多模型融合的单类水声目标识别方法，其特征在于：包括以下步骤：步骤1：获取N个单类水声目标类信号作为样本信号，对样本信号进行FFT变换，得到每个样本信号频谱的幅度谱，所有样本信号频谱的幅度谱组成训练样本矩阵；利用训练样本矩阵训练深度自编码神经网络；步骤2：利用步骤1训练好的深度自编码神经网络，提取单类水声目标的特征，构成初始训练样本集步骤3：根据训练样本个数N，初始化样本权值步骤4：设置循环代数T，并令迭代标记t＝1；步骤5：按照概率p_t(i)从初始训练样本集X中抽N个样本组成训练样本集X_t，其中步骤6：利用训练样本集X_t和n折交叉验证法选择第t代SVDD分类器的核参数(C_t,σ_t)；步骤7：利用训练样本集X_t和核参数(C_t,σ_t)训练SVDD单类分类器h_t；步骤8：计算SVDD单类分类器h_t的加权分类错误率其中h_t(x_i)表示将样本x_i放入分类器h_t中得到的分类结果；步骤9：更新样本权值：其中并进行归一化处理步骤10：判断t＝T是否成立；若成立，则转至步骤11；若不成立，则取t＝t+1，转至步骤5；步骤11：步骤11：利用训练好的深度自编码神经网络提取测试信号的特征，构成测试样本y；步骤12：对测试样本y进行识别，判断测试样本y是否是目标类，判断公式如下：其中分类器权值为如果H(y)≥0，测试样本y判为目标类；如果H(y)＜0，测试样本y判为非目标类。