[发明专利]一种基于多尺度稀疏保持投影一维距离像融合识别方法

摘要

本发明提供了一种基于多尺度稀疏保持投影一维距离像融合识别方法。首先，对实测一维距离像信号样本提取其归一化幅度特征并进行平移对齐预处理；然后，利用一维高斯拉普拉斯算子进行多尺度空间映射；接着，利用稀疏保持投影法对多尺度空间信号进行稀疏表示，得到多尺度空间稀疏特征向量；最后，利用多尺度决策融合分类器对目标稀疏特征向量进行分类识别，输出分类结果。本发明基于多尺度空间分析、稀疏保持投影和决策融合分类器，对一维距离像提取多尺度有效稀疏特征并通过决策融合分类器对结果进行融合识别，在一定程度上提高了一维距离像信号的识别效率，抗干扰性也得到明显增强。

主权项

一种基于多尺度稀疏保持投影的一维距离像融合识别方法，其特征在于，包括步骤：步骤1：对训练样本集X＝[x1,x2,...,xn]，提取其归一化频谱幅度特征集并进行平移对齐，得到平移对齐后的特征集H＝[h1,h2,...,hN]；xi表示第i个训练样本向量，表示与xi对应的频谱幅度特征向量；步骤2：利用一维高斯拉普拉斯算子f对步骤1得到的特征集中的特征进行多尺度空间映射，得到训练样本多尺度空间特征向量集Zi表示在尺度为i时，所有训练样本向量的空间映射集合；步骤3：采用稀疏保持投影算法得到步骤2中训练样本多尺度空间特征向量集的多尺度稀疏特征向量集步骤4：利用M个线性支持向量机分类器分别对步骤3中多尺度稀疏特征向量集的C1,C2,...,CM进行学习；步骤5：对测试样本y提取其归一化幅度特征并与训练样本进行平移对齐，得到平移对齐后的幅度特征hy；利用一维高斯拉普拉斯算子f对hy进行多尺度空间映射，得到测试样本多尺度空间特征向量集Hy＝[hy1,hy2,...,hyM]；采用稀疏保持投影算法得到测试样本多尺度空间特征向量集Hy＝[hy1,hy2,...,hyM]的多尺度稀疏特征向量集Cy＝[cy1,cy2,...,cyM]；步骤6：通过麦哈顿距离确定测试样本幅度特征hy的k个最近邻训练样本幅度特征集步骤7：分别求出hy与k个最近邻训练样本特征的相似度设定阈值P1，当小于阈值时将其舍去，最终筛选出k1个最近邻训练样本；步骤8：对步骤7得到的k1个最近邻训练样本，由步骤4中训练完成的M个线性支持向量机分类器对其M个尺度空间稀疏特征向量集进行识别得到第j个分类器混淆矩阵Qj，分别计算第j个分类器的置信度Rj；步骤9：从步骤8中得到置信度最大的分类器L，设定阈值P2，对与L置信度差别大于P2的分类器进行剔除，筛选出的分类器对目标进行类别权重赋值，则权重最大的类别即为最后测试样本的判决输出结果。