基于改进PSO-TSNE特征选择的水下目标识别方法技术

本发明专利技术公开基于改进PSO‑TSNE特征选择的水下目标识别方法，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；利用T‑SNE对标准化数据集的数据进行降维处理，得到高维空间数据点之间的相似度、低维空间中数据点之间的相似度以及两者KL散度优化的目标函数和阶梯函数；利用改进的PSO算法获得最优的KL值；用最小的KL再次用利用T‑SNE对标准化数据集的数据进行降维处理，并取水下目标特征以确认目标。本发明专利技术采用更新后PSO对T‑SNE中的散度进行优化，使得T‑SNE的性能更好。

【技术实现步骤摘要】
基于改进PSO-TSNE特征选择的水下目标识别方法
本专利技术涉及图像识别
，尤其涉及基于改进PSO-TSNE特征选择的水下目标识别方法。
技术介绍
水下目标识别是水声
亟待解决的技术难题之一。水下目标的图像处理与识别是水下机器人能够正常工作的不可或缺的技术保障。目标噪声信号的特征提取是目标识别器的关键技术,为此学者们提出了多种特征提取方法,试图从不同角度获得噪声信号的特征。为保证识别的正确率应将多种特征加以组合，但会带来数据维数过高，识别速率下降的问题。
技术实现思路
本专利技术的目的在于提供基于改进PSO-TSNE特征选择的水下目标识别方法。本专利技术采用的技术方案是：基于改进PSO-TSNE特征选择的水下目标识别方法，其包括以下步骤：步骤1，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；步骤2，利用T-SNE对标准化数据集的数据进行降维处理，得到高维空间数据点xi与xj之间的相似度pij、低维空间中数据点yi与yj之间的相似度qj|i以及pijq本文档来自技高网...

【技术保护点】
1.基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：其包括以下步骤：/n步骤1，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；/n步骤2，利用T-SNE对标准化数据集的数据进行降维处理，得到高维空间数据点x

【技术特征摘要】
1.基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：其包括以下步骤：
步骤1，将水下目标辐射噪声信号进行水下噪音特征提取并归一化处理数据得到标准化数据集；
步骤2，利用T-SNE对标准化数据集的数据进行降维处理，得到高维空间数据点xi与xj之间的相似度pij、低维空间中数据点yi与yj之间的相似度qj|i以及pijqj|i之间KL散度优化的目标函数和阶梯函数；
步骤3，利用改进的PSO算法获得最优的x、y和KL值；
步骤4，用最小的KL再次用利用T-SNE对标准化数据集的数据进行降维处理；
步骤5，提取水下目标特征以确认目标。


2.根据权利要求1所述的基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：步骤1中将水下目标辐射噪声信号进行筛选、标记和梅尔频率倒谱系数特征提取得到原始特征数据集；并对其进行中心化和无量纲化处理得到标准化数据集。


3.根据权利要求2所述的基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：步骤1中采用归一化方差方式对原始特征数据集的数据进行无化量纲的处理。


4.根据权利要求1所述的基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：步骤2中高维空间数据点xi与xj之间的相似度pij的计算公式如下：






其中，高维空间数据点xi，δi是以数据点xi为中心的正态分布的方差；pj|i是代表高维空间的相似条件概率，pij代表着联合概率分布；n代表数据点的个数，k属于n个数据点中的一个；
步骤2中低维空间中数据点yi与yj之间的相似度qj|i的计算公式如下：



其中qj|i表示低维数据之间的相似度，低维空间中数据点yi。


5.根据权利要求4所述的基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：步骤2中优化KL散度的目标函数如下：



其中n为数据点的总数，p为高维空间里各个点的联合概率分布，q是低维空间里哥哥点的联合概率分布。


6.根据权利要求4所述的基于改进PSO-TSNE特征选择的水下目标识别方法，其特征在于：步骤2中优化KL散度的阶梯函数为：



其中，δc代表在高斯分布下的KL散度值，δyi高斯函数下的低维点数据。


7.根...

【专利技术属性】
技术研发人员：孟振宇，钟于心，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：福建;35