基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法技术方案

本发明专利技术涉及一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法,包括：数据预处理模块，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；数据训练模块，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数

【技术实现步骤摘要】
基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法
本专利技术涉及声纳信号判别系统的
，尤其是指一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法。
技术介绍
近年来，随着科学技术的高速发展，人类对覆盖地球总面积70％的海洋的认识逐渐深化。海洋因其经济上的巨大潜力和战略上的重要地位也越来越被人们所重视。因为海水的特殊性质，电磁波、光波在海水中均不能有效传递信息。实验证明，在人们所熟知的各种辐射信号中，以声波在海水中的传播性能最佳。声波在水中传播的衰减亦相对较小，低频的声波甚至可以穿透海底几千米的地层。因此，无论潜艇还是水面船只都只能利用声纳系统，对水下物体进行探测。一个可靠的声纳信号判别系统能够快速判别探测物体是普通岩石还是金属物体，对金属资源进行快速准确定位探测。建立在统计学的VC维(VapnikChervonenksDimension)理论和结构风险最小化原则基础上的支持向量机(SupportVectorMachine，SVM)，可应用于模式识别和回归分析。而后，Zhang等人从正则化的角度将线性判别分析和SVM结合提出了Fisher正则化支持向量机(FisherSVM)。对于二分类问题，FisherSVM能找到一个分类超平面并且同时最大化类间间隔和最小化类内散度。简单地说，FisherSVM可以近似地满足Fisher准则并获得良好的统计可分性。SVM和FisherSVM都是基于Hinge损失函数的，但是Hinge损失函数在抗噪性能方面有一定的欠缺，而且该算法构造的模型不一定具有稀疏性，也就是说该模型会关注相关样本中不重要的样本，从而会导致分类器的泛化性能降低。面对复杂的海洋环境，如何提高对探测物体的识别准确性，是本领域的技术人员需要解决的问题。
技术实现思路
为此，本专利技术所要解决的技术问题在于克服现有技术中抗噪性、稀疏性上不足，导致识别准确率低的问题，从而提供一种具有良好的分类性能和稳定性，且识别准确率高的基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法。为解决上述技术问题，本专利技术的一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统，包括：数据预处理模块，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；数据训练模块，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差；数据预测模块，用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测。在本专利技术的一个实施例中，所述判别函数的权重向量和偏差的计算方法为：利用其中γK和γF为非负正则化参数，核矩阵K的第i行第j列为[K]ij＝k(xi,xj),i,j＝1,2,...,l，是单位矩阵，G为与类别相关的预设矩阵，对角矩阵Dy的第i行第i列为[Dy]ii＝yi，松弛变量且Lτ(·)为弹球损失函数，判别函数的权重向量α＝α+-α-，判别函数的偏差b＝b+-b-。在本专利技术的一个实施例中，所述弹球损失函数其中0＜τ≤1。在本专利技术的一个实施例中，所述训练集为其中yi∈{±1}，标签为yi＝1的是探测物体为金属物体的声纳信号数据集合，标签为yi＝-1的是探测物体为岩石的声纳信号数据集合，每个样本的特征数为d，且l为训练集样本总数。在本专利技术的一个实施例中，对所述训练集中的数据进行归一化的方法为：将所述训练集中的每个数据映射到区间[0,1]中。在本专利技术的一个实施例中，对被探测物体返回的声纳信号进行预测的方法为：对被探测物体返回的声纳信号进行判断在本专利技术的一个实施例中，对被探测物体返回的声纳信号进行判断时，若为1，则探测物体为金属物体，否则探测物体为岩石。本专利技术还提供了一种基于稀疏且鲁棒FisherSVM的声纳信号判别方法，包括如下步骤：统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差；将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测。本专利技术的上述技术方案相比现有技术具有以下优点：本专利技术所述的基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法，当处理有被探测物体返回的声纳信号的相关数据时，训练模块得到的系数向量较为稀疏，这使得训练得出的模型减轻了那些对模型贡献度较低的样本对训练结果的影响，也就是说当训练声纳信号中有较多不具有代表性的样本时，本专利技术会加快分类效率、减小误差样本对结果的影响，即提高了对声纳信号分类的效率和准确率。目前随着声纳技术的升级，探测范围越来越广，每次返回的声纳信号的数量也越来越大，在这种形势下，本专利技术的贡献也更为突出。附图说明为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中图1是本专利技术基于稀疏且鲁棒FisherSVM的声纳信号判别系统示意图；图2是本专利技术在某些参数设置下与FisherSVM的对比示意图。具体实施方式实施例一如图1所示，本实施例提供一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统，包括：数据预处理模块10，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；数据训练模块20，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差；数据预测模块30，用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测。本实施例所述基于稀疏且鲁棒FisherSVM的声纳信号判别系统，所述数据预处理模块10，用于统计收集海洋声纳探测的相关资料，将已有的标签数据作为训练集，对所述训练集中的数据进行归一化，从而有利于对数据进行训练；所述数据训练模块20，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差，当处理有被探测物体返回的声纳信号的相关数据时，训练模块得到的系数向量α较为稀疏，这使得训练得出的模型减轻了那些对模型贡献度较低的样本对训练结果的影响；所述数据预测模块30，用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测，当训练声纳信号中有较多不具有代表性的样本时，会加快分类效率、减小误差样本对结果的影响，由于本专利技术将通过对现实获取到的真实数据作为测试集，利用所述训练模型在数据预测模块30中对无标签数据进行预测，因此即提高了对声纳信号分类的效率和准确率。所述训练集为其中yi∈{±1}，标签为yi＝1的本文档来自技高网...

【技术保护点】
1.一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统，其特征在于，包括：/n数据预处理模块，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；/n数据训练模块，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数

【技术特征摘要】
1.一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统，其特征在于，包括：
数据预处理模块，用于统计收集海洋声纳探测的相关资料，作为训练集，对所述训练集中的数据进行归一化；
数据训练模块，用于根据归一化处理后的数据对模型进行训练形成训练模型，所述训练模型包括判别函数其中α＝[α1,…,αl]T为判别函数的权重向量，b为判别函数的偏差；
数据预测模块，用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中，对被探测物体返回的声纳信号进行预测。


2.根据权利要求1所述的基于稀疏且鲁棒FisherSVM的声纳信号判别系统，其特征在于：所述判别函数的权重向量和偏差的计算方法为：利用其中γK和γF为非负正则化参数，核矩阵K的第i行第j列为[K]ij＝k(xi,xj),i,j＝1,2,...,l，N＝I-G,是单位矩阵，G为与类别相关的预设矩阵，对角矩阵Dy的第i行第i列为[Dy]ii＝yi，松弛变量且Lτ(·)为弹球损失函数，判别函数的权重向量α＝α+-α-，判别函数的偏差b＝b+-b-。


3.根据权利要求2所述的基于稀疏且鲁棒FisherSVM的声纳信号判别系统，其特征在于：所述弹球损失函数其中0＜τ≤1。


4.根据权利要求1所述的基于稀疏且鲁棒FisherSVM的声纳信号判别系统，其特征在于：所述训练集为其中yi∈{±1...

【专利技术属性】
技术研发人员：张莉，张正齐，屈蕴茜，章晓芳，王邦军，周伟达，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32