利用集成学习和联合分类器的水下慢速小目标分类方法技术

本发明专利技术提出利用集成学习和联合分类器的水下慢速小目标分类方法，利用集成算法对SVDD

【技术实现步骤摘要】
利用集成学习和联合分类器的水下慢速小目标分类方法


[0001]本专利技术属于水下目标识别领域，特别涉及利用集成学习和联合分类器的水下慢速小目标分类方法。

技术介绍

[0002]传统的水下慢速小目标分类识别方法根据目标形态特征、辐射噪声特征，使用支持向量数据描述(support vector data description,SVDD)、支持向量机(support vector machine,SVM)、神经网络(neural network,NN)等机器学习类方法对水下慢速小目标进行分类。但是，水下慢速小目标存在形态特征不明显、辐射噪声弱的问题，加上其数据具有小样本、类不平衡的特点，导致传统分类方法无论是准确性还是稳健性都难以满足分类识别要求。
[0003]尽管可以通过迁移学习、能量统计等方法提升这些传统分类方法的分类性能，但由于传统分类方法本身的限制，提升后的准确性和稳健性仍难以满足分类识别需求。
[0004]如何高准确率地、稳健地进行水下慢速小目标分类识别，已有研究并不能解决这一问题。
专利技术内容
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.利用集成学习和联合分类器的水下慢速小目标分类方法，其特征在于，包括以下步骤：步骤1：提取跟踪轨迹特征量：步骤2：设计SVDD
‑
SVM并生成数据集；SVDD
‑
SVM采用二级分类器串联的总体架构：1个单分类SVDD作为第一级分类器，1个二分类SVM作为第二级分类器，二分类SVM串联在单分类SVDD之后；步骤3；对子分类器进行集成优化得到SVDDe和SVMe；步骤4：训对SVDD
‑
SVM集成优化得到SVDDe
‑
SVMe；保持SVDD
‑
SVM总体架构不变，用步骤3所得到的SVDDe替换SVDD
‑
SVM中的单分类SVDD、SVMe替换SVDD
‑
SVM中的二分类SVM，得到联合分类器SVDDe
‑
SVMe，完成SVDD
‑
SVM的集成优化。步骤5：设计SVDDe
‑
SVMe的决策机制；将SVDD
‑
SVM决策机制中的单分类SVDD、二分类SVM分别替换为SVDDe、SVMe即得到SVDDe
‑
SVMe的决策机制；步骤6：对待分类跟踪轨迹进行分类：对需要分类的跟踪轨迹，按照步骤1提取待分类跟踪轨迹的跟踪轨迹特征量，然后将所提取的跟踪轨迹特征量作为步骤4所得SVDDe
‑
SVMe的输入，利用SVDDe
‑
SVMe决策机制得到待分类跟踪轨迹的分类结果，从而实现对水下慢速小目标的分类。2.如权利要求1所述的利用集成学习和联合分类器的水下慢速小目标分类方法，其特征在于，所述步骤1中，从运动速度、轨迹光滑性、轨迹长度以及轨迹方向性四个方面进行量化分析，从而进行跟踪轨迹特征量提取；具体为：运动速度：式中，v
i
为第i个点的速度，p
i
＝(x
i
,y
i
)
T
是第i(i＝1,2,
…
,N)个点的坐标，x
i
为第i个点的横坐标，y
i
为第i个点的纵坐标，|| ||2表示欧式范数距离，ΔT为跟踪过程中相邻两次量测的间隔时间；轨迹光滑性：式中，D
i
为第i个点的偏移距离，p1＝(x1,y1)
T
为轨迹的起始点坐标，p
N
＝(x
N
,y
N
)
T
为轨迹的终止点坐标，x
i
为第i个点的横坐标，y
i
为第i个点的纵坐标；轨迹长度：
式中，L为起止点距离，R为轨迹点间距离之和，p
i
＝(x
i
,y
i
)
T
是第i(i＝1,2,
…
,N)个点的坐标，x
i
为第i个点的横坐标，y
i
为第i个点的纵坐标，|| ||2表示欧式范数距离；轨迹方向性：式中，ρ为曲率，L为起止点间距离、R为轨迹点间距离之和。方向变化率s
i
表示一组相邻3个坐标点的两段距离之和与3点中起始点距离的比值：式中，s
i
为方向变化率，p
i
＝(x
i
,y
i
)
T
为第i(i＝1,2,
…
,N)个点的坐标，x
i
为第i个点的横坐标，y
i
为第i个点的纵坐标，|| ||2为欧式范数距离。3.如权利要求2所述的利用集成学习和联合分类器的水下慢速小目标分类方法，其特征在于，所述运动速度v
i
、距离D
i
、方向变化率s
i
为轨迹的局部特征量，使用各自的最小值、最...

【专利技术属性】
技术研发人员：刘雄厚，赖凯，杨益新，孙超，卓颉，王艺为，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：