本发明专利技术公开了一种基于流形距离表征舰船目标分类识别算法在加权修正局部反熵算子表示的样本间的距离权值的基础上，提出了一种基于流形距离表征的目标对象间的相似度量标准。该度量标准较传统的距离度量标准更贴近反映目标对象真实的空间分布，它是一种有效的度量标准；同时基于该标准的样本的邻居样本的预处理筛选，提高了概率生成模型的分类效率，满足了舰船目标分类识别提出的实时性处理要求。
【技术实现步骤摘要】
本专利技术设及计算机应用
，尤其设及一种基于流形距离表征的舰船目标分 类识别算法。
技术介绍
舰船作为海上重要的载体，其自动检测与识别的效率如何，一定程度上关系到我 军夺海战争的胜负成败。特别是近年来，随着卫星遥感技术的发展壮大，基于光学遥感图像 的识别算法表现出了自身优势，引起了国内外学者的高度重视，涌现出了一系列具有一定 理论参考意义及应用价值的研究成果。 -般而言，解决目标分类的关键问题在于如何聚类，而聚类最主要的因素在于目 标对象间的相似度的度量，传统相似度的计算方法一般仅参考目标对象间的夹角或距离， 例如余弦相似度、欧式距离。运些方法缺少对目标对象空间分布情况的分析，片面认为参与 运算的特征或属性对数据的划分能力的影响效果是等同的，运显然是不符合目标对象的实 际分布情况的，从而影响了目标分类的精确性。 究其分类识别的基本思想是根据提取的特征向量为类别未知的目标指派某一类 另1|。其中，比较常见的算法有：1^近邻化-舶曰'631：-舶1邑111301'，1(顺）、支持向量机（5叫口01'1 Vector Machine,SVM)、分层判别回归化ierarchical Discriminant Regression,皿R)、概 率生成模型（Probability Generative Model,PGM)等方法。针对上述几种典型的分类算 法，仿真对比实验表明，概率生成模型的识别效果较好。但在实际运用时，现有的运些算法 都缺少对样本规模和样本相似关系衡量的全面考察。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于流形距离表征的舰船目标分类识 别算法。 本专利技术为解决上述技术问题所采用的技术方案是： -种基于流形距离表征的舰船目标分类识别算法，包括W下步骤：[000引步骤1:在样本流形空间中，首先构建一个加权无向图G(V，E)，其中V表示顶点，它 由样本集组成，E表示边集。步骤2:假设p(Vi，Vj)为样本Vi、V非;f在的路径，又假设P为路径p(Vi，Vj)上任两个样 本间的路径，Pm为路径p(Vi，Vj)上的第m个样本，由最短路径计算原理，得到流形距离的计算 公式：上式中，权值1?化,哦+1二其中，色柄邮，节饥知1)为局部邻域 C(Pm<,,r)区域内的局部反赌值，C(Pmt,，r)表示样本P讯。、Pm+痛接中线上距离二者最近的样 本点，且。、- 2口步骤3:假设样本Vi的邻居节点为Vj、Vk，则根据步骤(2)定义的流形距离，若L(Vi， Vj) < L(Vi，Vk)，则邻居节点Vj占优于Vk，记做Vj>Vk，反之，若Vk占优于Vj，记做Vj<Vk;在占优关系定义的基础上，令集合V = {Vi，V2，V3，…，Vi，…，Vn}，贝帷集合V中，若Vi >Vi+i，则记做 V>={Vi，V2，V3，...，Vi，...，VN};反之，若 Vi<Vi+i，则记做 V<={Vi，V2，V3,…， Vi，…，Vn}。集合￥>或￥<就称作优势集。步骤4:基于上述定义，首先根据样本Vi和其邻居样本间的流形距离进行快速排 序，于是得到一个对应的优势集V'>，假设V'>={Vi，V2，V3，-，，Vk，-，，VN};[001引步骤5:对于优势集V，>，从前往后依次选取％,,个(雌^ =2W3:，N代表样本集个数） 样本作为样本Vi的邻居样本，并将其带入概率生成模型中求解得到分类识别结果。 作为优选，步骤2中所述的权值Wmk.mk+1的公式推导如下：[001引上式中，〔知71,,,?-)表示^样本口}0.。为中屯、，1'为半径的化11曲圆邻域，换耐为?％(,、口111+1 连接中线上距离二者最近的样本点，公(Pmy书mwi) < r < O为高斯分布方 差，一般取其经验值 a，0为调节因子，且 0? 作为优选，调节因子0 = 0.5。 本专利技术的有益效果是： 1、对于某两个样本而言，流形距离指的是基于流形空间上的二者之间的最短距 离，它使得同一流形分布中距离较近的样本指定给同一类别，不同流形分布中的样本指定 给不同类别，它较传统的欧式距离更能准确表达样本间存在的真实差异情况。 2、用局部反赌算子来衡量样本所赋予的权值，可W实现扩大低密度区域内的样本 间的距离，缩小高密度区域内的样本间的距离运一目的。 3、通过定义基于流形距离表征的相似度选择标准和基于该标准的优势集基础上 的样本数量的限制，可加快舰船目标识别的精度和速度，提高舰船目标识别的效率。【附图说明】 图1是本专利技术的基于欧式空间表示的样本分布示意图； 图2是本专利技术的赌函数及反赌函数图像； 图3是本专利技术的基于流形距离度量的样本空间分布示意图； 图4是本专利技术的舰船目标识别切片实验数据；[002引图5是本专利技术的各个算法性能对比直方图； 图6是本专利技术的舰船目标识别实验数据。【具体实施方式】 下面结合附图及实施例对本专利技术作进一步说明。 传统的距离例如欧式距离并不能准确表达样本间存在的真实差异情况，如图1所 示，样本A、C之间的距离远大于样本A、B之间的距离。若按照欧式空间上距离的大小进行划 分，那么A和B将被归类为同一空间，C将被划分为另一空间上，显然，采用运种分类方法所得 到的分类结果与=个样本的实际分布情况是相惇的。为此研究中引入了流形空间的概念， 旨在缩小位于高密度区域内的样本间的距离，扩大位于低密度区域内的样本间的距离，使 样本的空间分布情况趋向于其真实分布。 该计算方法的具体实施步骤如下： (1)定义Hou曲圆邻域 设(X，D)为一个可度量的空间，且XEX，则对于给定的实数r>0，有集合： {yeX|D(x,y) <r} 将上式Wx为中屯、，r为半径的化U曲圆邻域记做CU, r)，其中，D表示基于欧式距离 的度量标准，计算公式为。=麥-yf O (2)定义局部反赌算子[003引 Wxi、Xj的中点XO为中屯、，:T为半径的化U曲圆邻域上，借鉴局部赌算子的定义，给出 局部反赌算子的概念，其公式计算如下： 其中，f (Xk)表示点Xk处的像素灰度，P(Xk)表示Xk发生的概率密度，e〉0,一般取值 为e = 2X l(ri5DC(xo,;r)表示XO所在的Hough圆局部邻域，r的取值范围为D(xi,xj)如。D (xi,Xj)〇 运里^函数7 =-別〇邑^)、7 =-別〇邑（1-义），义￡(0，1)为例，对比说明局部赌算子和 局部反赌算子的性质。如图2所示，不同于函数y = -xlog(x)，函数y = -xlog(l-x)在区间（0， 1)内是单独递增的，且随变量值的增加函数值的增幅越来越快，其图像性质接近于指数函 数的变化性质。根据局部反赌算子基本性质可知，由于其函数变换趋势接近于指数函数，所W基 于局部反赌算子的计算会导致目标"过增长"效应，需要对其进行修正。为此，首先将函数Ig (1-P(祉)）进行麦克劳林展开： 运里，〇<0<l，〇<p(xk)<l。因为(p(xk)r 一 0,所W首先采用一次多项式来拟合 IgQ-P(Xk)),然后通过高斯分布函数对局部反赌算子进行"微调"，最后通过设置两个本文档来自技高网...
【技术保护点】
一种基于流形距离表征的舰船目标分类识别算法，其特征在于：该算法包括以下步骤：步骤1：在样本流形空间中，首先构建一个加权无向图G(V,E)，其中V表示顶点，它由样本集组成，E表示边集；步骤2：假设p(Vi,Vj)为样本Vi、Vj所在的路径，又假设p为路径p(Vi,Vj)上任两个样本间的路径，pm为路径p(Vi,Vj)上的第m个样本，由最短路径计算原理，得到流形距离的计算公式：上式中，权值其中，为局部邻域区域内的局部反熵值，表示样本pm+1连接中线上距离二者最近的样本点，且步骤3：假设样本Vi的邻居节点为Vj、Vk，则根据步骤(2)定义的流形距离，若L(Vi,Vj)≤L(Vi,Vk)，则邻居节点Vj占优于Vk，记做Vj＞Vk，反之，若Vk占优于Vj，记做在占优关系定义的基础上，令集合V＝{V1,V2,V3,…,Vi,…,VN}，则在集合V中，若Vi＞Vi+1，则记做V＞＝{V1,V2,V3,…,Vi,…,VN}；反之，若则记做集合V＞或就称作优势集；步骤4：基于上述定义，首先根据样本Vi和其邻居样本间的流形距离进行快速排序，于是得到一个对应的优势集V'＞，假设V'＞＝{V1,V2,V3,…,Vk,…,VN}；步骤5：对于优势集V′＞，从前往后依次选取个(N代表样本集个数)样本作为样本Vi的邻居样本，并将其带入概率生成模型中求解得到分 类识别结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：郭伟娅，夏学知，
申请(专利权)人：中国船舶重工集团公司第七零九研究所，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。