一种基于直觉模糊c均值聚类的目标识别方法技术

本发明专利技术公开了一种基于特征加权直觉模糊c均值聚类的目标识别方法，包括以下步骤：S1，初始化算法中的参数；S2，计算更新类属特征的权值ωi；S3，计算机更新划分隶属矩阵Uμ和划分非隶属矩阵Uγ；S4，更新聚类原型模式矩阵pi(b+1)；S5，输出数据。本发明专利技术能够根据目标识别应用中类属型数据特征对样本作用大小的不均匀性进行有效地分类识别；利用算法得到的划分隶属度矩阵及划分非隶属度矩阵有效克服了由于各维特征来自于不同传感器导致量纲存在的差异，有利于提高分类精度；利用附加特征权值对空天典型目标进行识别分类，利于提高分类的实用性及可靠性。

【技术实现步骤摘要】

本专利技术涉及模式识别技术，具体涉及一种基于特征加权直觉模糊c均值聚类的目 标识别方法。
技术介绍
目标识别是模式识别
的一个研宄热点问题，这一基础而又重要的技术在 现代军事领域及诸多民事领域中均具有重要的意义，且得到了广泛的应用。目标识别是对 基于不同传感器所得目标属性数据形成的一个组合目标进行身份说明，要求先度量目标属 性，根据目标特征信息进行融合推理，获得对目标的准确描述。目标识别技术是具体研宄利 用各种传感器，从客观世界中获取目标/背景信号，并使用光电及计算机信息处理手段自 动地分析场景信号，检测、识别感兴趣的目标及获取目标各种定性、定量性质的科学技术领 域。 目标识别理论经过多年的发展，识别方法多种多样，鉴于目标特征值具有不完整、 不确定性及模糊性等特点，许多专家学者提出基于不确定性理论的目标识别方法。较为经 典的方法有基于Dempster-Shafer推理的异源信息目标识别方法，但这种方法由D-S方法 得到基本可信度分配后决策结果却没有可行的统一方法，必须根据具体问题进行具体分 析，特别是存在高冲突证据时往往会得到与常理相悖的结果。尽管改进方法很多，但这些方 法大多没有考虑实际应用背景和证据集特点，因此无法保证识别结果的可靠性。另一经典 方法是基于离散动态贝叶斯网络推理的目标识别方法，其中贝叶斯网络节点与结构均通过 专家知识确定，需要相应的先验概率，但先验概率通常难以给定，所以构建的网络常与实际 数据有较大偏差。发展前期另一经典方法是基于模糊理论的多传感器目标识别方法虽较其 它方法该算法简单、可操作性强，但Zadeh模糊集在不确定性信息的描述、推理结果可信性 等方面存在局限性。 进一步发展中，基于不确定性理论、各类算法的神经网络融合系统的研宄蓬勃发 展，它既不需要研宄对象的大量背景知识，也不需要精确的数学模型，而是根据对象的输入 输出数据寻找规律解决复杂的、不确定性问题。第一种经典方法是基于神经网络的目标识 别方法，但当目标数据的信噪比变化时，无法适当地改变网络结构往往导致识别结果不理 想。第二种经典方法是基于证据理论与神经网络的目标识别方法，虽可信度得到了较大的 提高，但其模型结构隐含层的单元个数难以确定，仿真计算中重复性工作量大，且所建立的 动态网络结构尚未解决。第三种经典方法是基于Rough集-神经网络系统的目标识别方法， 该方法在一定程度上简化了网络结构，缩短了训练时间，提高了识别效率，但在决策表简化 时往往丢失一些有用信息，导致信息表属性约简的计算量过大。第四种经典方法是基于遗 传算法和神经网络的目标识别方法，该方法采用遗传算法来获取网络权值的初值，然后对 神经网络进行训练来得到权值的全局最优解，克服了神经网络权值在训练过程中容易陷入 局部极值点的问题，但遗传算法的早熟问题以及寻求最优解时收敛速度较慢等缺陷，在一 定程度上影响了识别的效率。 聚类分析是多元统计分析的方法之一，也是统计模式识别中非监督模式分类的一 个重要分支。聚类是根据"物以类聚"的自然法则对数据进行归类的一种多元统计分析方 法，它按照数据对象各自的特性来进行合理地归类，要求同一类数据有很大的相似性，而不 同类之间的数据却有很大的相异性。聚类分析源于很多领域，诸如数学、计算机科学、统计 学、生物学和经济学等，而它亦被良好地应用于更多领域，比如语音识别、图像分割、数据压 缩等。 在目标识别中，通过各种传感器所获得的目标特征信息进行融合推理，得到对各 目标属性的准确描述。通常情况下，传统聚类算法往往假定待分析样本矢量的各维特征对 分类的贡献是均匀的，但由于构成目标特征矢量的各维特征来自不同的传感器，因而存在 量纲差异或精度、可靠性的不同，从而导致各维特征对分类的作用大小不均。鉴于此，本发 明提出一种特征加权的直觉模糊C均值方法，采用特征选择技术--Relief算法对特征属 性进行加权选择，给特征集中的每一个特征赋予不同的权重，使样本属性值的结构与意义 更加完善真实。
技术实现思路
本专利技术的目的是提供一种基于特征加权的直觉模糊C均值聚类算法，主要解决了 目标识别现有技术中类属型数据特征贡献隐含假意均匀性这一问题。另外从技术方法上亦 能解决不确定性理论及神经网络理论等目标识别应用中产生的相关技术问题。 本专利技术采用的技术方案是：一种基于特征加权直觉模糊c均值聚类的目标识别方 法，包括以下步骤： S1，初始化算法中的参数； S2,计算更新类属特征的权值《i; S3,计算机更新划分隶属矩阵I和划分非隶属矩阵UY ; S4,更新聚类原型模式矩阵Pi(b+1); S5,输出数据。 进一步地，所述步骤S1中的参数具体包括样本数据个数n、迭代停止阈值e、聚类 原型模式Pto)、迭代计数器b= 0。 更进一步地，所述步骤S2具体为：采用Relief算法计算更新类属特征的权值《it) 更进一步地，所述步骤S4具体为：更新聚类原型模式矩阵Pi(b+1)，并分别求得 py/b'py，+1)和pit产1)。 更进一步地，所述步骤S5具体为：输出划分隶属矩阵1、划分非隶属矩阵UY和聚 类原型P。 本专利技术具有如下优点： 能够根据目标识别应用中类属型数据特征对样本作用大小的不均匀性进行有效 地分类识别； 利用算法得到的划分隶属度矩阵及划分非隶属度矩阵有效克服了由于各维特征 来自于不同传感器导致量纲存在的差异，有利于提高分类精度； 利用附加特征权值对空天典型目标进行识别分类，利于提高分类的实用性及可靠 性。 除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。 下面将参照图，对本专利技术作进一步详细的说明。【附图说明】 构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实 施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。 图1是本专利技术的一种基于特征加权直觉模糊c均值聚类的目标识别方法流程图； 图2是模糊c均值聚类算法对一组具有类属型特征的实际样本数据Breast CancerWisconsin的分类效果图； 图3是特征加权直觉模糊c均值聚类算法对一组具有类属型特征的实际样本数据 BreastCancerWisconsin的分类效果图。【具体实施方式】 为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不 用于限定本专利技术。 参照图1，如图1所示的一种基于特征加权直觉模糊c均值聚类的目标识别方法， 包括以下步骤： S1，初始化算法中的参数； S2,计算更新类属特征的权值《i; S3,计算机更新划分隶属矩阵I和划分非隶属矩阵UY ; S4,更新聚类原型模式矩阵Pi(b+1); S5,输出数据。 所述步骤S1中的参数具体包括样本数据个数n、迭代停止阈值e、聚类原型模式 P(Q)、迭代计数器b= 0。 所述步骤S2具体为：采用Relief算法计算更新类属特征的权值《it) 所述步骤S4具体为：更新聚类原型模式矩阵Pi(b+1)，并分别求得pyi(b+1)、pyi(b+1) 和P31i(b+1)。 所述步骤S5具体为：输出划分隶属矩阵Up、划分非隶属矩阵UY和聚类原型P。 本专利技术采用特征选择技本文档来自技高网...

【技术保护点】
一种基于特征加权直觉模糊c均值聚类的目标识别方法，其特征在于，包括以下步骤：S1，初始化算法中的参数；S2，计算更新类属特征的权值ωi；S3，计算机更新划分隶属矩阵Uμ和划分非隶属矩阵Uγ；S4，更新聚类原型模式矩阵pi(b+1)；S5，输出数据。

【技术特征摘要】

【专利技术属性】
技术研发人员：雷阳，马婧，周子琛，
申请(专利权)人：中国人民武装警察部队工程大学，
类型：发明
国别省市：陕西;61