CN102760235B - 一种基于多视的水下目标分类系统及方法 - Google Patents

Abstract

本发明涉及一种基于多视的水下目标识别分类系统及方法，该方法基于模式识别系统且该系统的输入数据为多角度照射目标物体得到的多视数据，包含：数据获取和预处理的步骤，用于接收输入的多视数据对多视数据进行预处理；特征提取的步骤，该步骤采用适合多视数据的特征算法对所述预处理后的多视数据进行特征提取；分类器设计的步骤，该步骤用隐马尔可夫模型进行分类器的设计；分类判决的步骤，用于对从所述多视数据中提取的特征输入所述分类器进行判决，得到分类结果。通过多部声纳或多个信息源进行空间多方位的数据采集，作为水下目标分类系统中特征提取的信息来源，增加目标特征矢量的维数，改善信息的置信度。

Description

一种基于多视的水下目标分类系统及方法

技术领域

本发明属于水声信号处理领域，具体涉及一种基于多视的水下目标分类系统及方法。

背景技术

水下目标分类技术是现代声纳系统与水声对抗的一个重要组成部分，是声纳后置数据处理的一个重要环节。水下目标的分类识别技术一直受到众多学者、研究人员的关注，但其发展相对缓慢，是国内外公认的难题。一方面由于涉及军事，各国对研究成果保密，相关技术报告很少；更重要的是复杂的水下背景环境对目标识别造成严重的干扰。如水质混浊造成的可见度低，水下气泡和浮游颗粒物造成的混响的影响，复杂的传输信道等等。

我国在水下目标分类识别领域的研究较国外相对落后，在多视分类和识别技术方向上的研究更为稀少。目前国内学者对于多视数据的使用还比较简单的停留在图像融合、速度估计等方向上，如715所的汪素萍，丁烽等的研究。而在水下目标分类识别方向上的研究和应用则几乎空白。即目前国内的水下目标的分类识别都是基于单视的水下目标分类识别，对于多视在水下目标检测的相关应用未见记载。

国外学者对这个方向的研究开展的早一些，大概从20世纪末21世纪初开始，可以在一些公开的刊物上见到这方面的研究成果。但是未见过有关基于多视的水下目标分类识别的技术实现手段的相关记载被国外公开过。

多视即通过多部声纳或多个信息源进行空间多方位的数据采集，利用多源信息的融合技术，作为水下目标分类识别系统中特征提取的信息来源，增加目标特征矢量的维数，进而可以改善信息的置信度，增强系统的容错能力和自适应能力，改进分类识别系统的性能。

发明内容

本发明的目的在于，为克服国内现有技术采用的水下目标识别分类系统均基于单视输入数据，这样的单视输入数据和针对单视数据设计的分类系统和分类方法会导致对水下目标识别分类的效果不好，虽然国外有基于多视输入数据的水下目标的分类系统，但是这样的分类识别及其设计过程并未见记载过，因此为了提高对水下目标的识别分类的准确率本发明提供一种基于多视的水下目标识别分类系统及方法。

为实现上述目的，本发明一种基于多视的水下目标识别分类系统，该系统输入的数据为多角度照射目标得到的多视数据，包含：

数据获取和预处理模块，用于获取待分类目标的多视数据并对其进行预处理；特征提取模块，用于将预处理后的多视数据的采用特征算法进行特征提取；分类判决模块，该模块进一步包含若干并联的隐马尔可夫分类器模型和一比较判决模块，所述各隐马尔可夫分类器模型的计算结果都输出到所述的比较判别模块，该判决模块的输出结果作为针对该目标的最终的分类结果。

上述技术方案中，所述特征提取采用基于回波能量的算法；所述基于回波能量算法进行特征提取的步骤为：

1)对预处理后的采集的多视数据进行频域变换；

2)计算多视数据包含的每一个角度采集的数据的频谱能量E_i；

3)计算所有多视数据数据的平均频谱能量MEAN(E)；

4)计算某一角度采集数据的数据对应的回波能量特征量ε_i＝(E_i-MEAN(E))²，得到该角度回波能量的特征量；

5)判断是否得到所有照射角度对应的数据的回波能量特征量，如果否则返回步骤2)；如果是则完成特征提取。

可选的，所述适合多视数据的特征算法可采用基于多视的典型相关分析算法；所述基于多视的典型相关分析算法进行特征提取的步骤为：

1)对多视数据中每个角度的数据进行小波包分解，得到一个特征量组b₁…b_n；

2)对得到的特征量组b₁…b_n进行多维典型相关分析计算，得到多视典型相关分析算法的特征量a₁…a_n；

3)计算新的组合特征量即完成了多视数据的特征提取。

所述隐马尔可夫模型公式为：M＝(S，C，π，A，B)，所述获取若干并联的隐马尔可夫分类器模型步骤为：

1)确定一个具体的真目标或假目标的隐马尔可夫分类器模型；

2)针对每一个不同的真、假目标都要建立独立的分类器模型，根据样本数据的采集，对每一个目标种类的样本数据采用步骤1)建立起其对应的隐马尔可夫分类器模型；

3)将样本训练得到的所有具体分类器模型进行整合，形成最终分类器。

所述确定一个具体的真目标或假目标的隐马尔可夫分类器模型进一步包含如下步骤：

1)确定隐马尔可夫模型公式中包含的S和C对应的实际物理意义：

S＝{s₁，…，s_N}是HMM中的隐藏状态，对应于水下目标的实际状态；υ＝{υ₁，…，υ_K}，υ_k∈C是HMM中的观察状态，对应于试验采集的多视数据；

2)根据样本数据通过最大似然估计得到π、A和B三个参数：

π＝{π₁，…，π_N}是初始状态概率分布，A[N×N]和B[K×N]分别是状态转移概率矩阵和混淆概率矩阵，

根据鲍姆-威尔士算法，计算三个参数的最大似然估计：

$\stackrel{\‾}{{\mathrm{\π}}_i}={\mathrm{\γ}}_1\left(i\right),$ $\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)},$ $\stackrel{\‾}{b_i\left(k\right)}=\frac{\underset{s.t.O_t=v_k}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}.$

基于以上技术方案描述的系统，本发明还提供一种基于多视的水下目标识别分类方法，包含：

数据获取和预处理的步骤，用于接收待分类的目标包含的多视数据并对这些多视数据进行预处理；特征提取的步骤，该步骤对所述预处理后的多视数据进行特征提取；其中特征提取采用基于回波能量的算法；将待测目标的特征向量分别输入分类器系统中若干并联的隐马尔可夫分类器中的每一个独立的隐马尔可夫分类器模型；所述每个分类器模型根据各自的参数，通过维特比算法计算测试数据在当前模型的似然概率；比较所有分类器模型的计算结果，取最大值的分类器模型作为判决结果。

上述技术方案中，所述特征提取的步骤为：

1)频域变换的步骤：对预处理后的采集的多视数据进行频域变换；

2)计算频谱能量的步骤：计算多视数据包含的每一个角度采集的数据的频谱能量E_i；

3)计算平均频谱能量的步骤：计算所有多视数据数据的平均频谱能量MEAN(E)；

4)计算回波能量特征量的步骤：计算某一角度采集数据的数据对应的回波能量特征量ε_i＝(E_i-MEAN(E))²，得到该角度回波能量的特征量；

5)判断是否提取完成的步骤：判断是否得到所有照射角度对应的数据的回波能量特征量，如果否则返回步骤2)；如果是则完成特征提取。

所述特征提取的步骤为：

1)计算小波包分解特征量的步骤：对多视数据中每个角度的数据进行小波包分解，得到一个特征量组b₁…b_n；

2)计算多维相关分析特征量的步骤：对得到的特征量组b₁…b_n进行多维典型相关分析计算，得到多视典型相关分析算法的特征量a₁…a_n；

3)特征量组合的步骤：计算新的组合特征量即完成了多视数据的特征提取。

所述分类的步骤为：

1)输入特征向量的步骤：将待测目标的特征向量分别输入分类器系统中的每一个独立的隐马尔可夫分类器模型；

2)计算似然概率的步骤：每个分类器模型根据各自的参数，通过维特比算法计算测试数据在当前模型的似然概率；

3)比较判决的步骤：比较所有分类器模型的计算结果，取最大值的分类器模型作为判决结果。

本发明的优点在于，给出了基于多视输入数据的水下目标分类系统的设计方法和该方法设计的水下分类器系统的组成结构及在一次具体分类时的工作方法，这种基于多视数据建立的水下目标分类系统可提高对水下目标的识别分类的准确率。此外，本发明在设计分类器系统和采用分类其系统进行分类时所采用的特征提取算法和分类器模型能很好的解决对多视数据的处理，使基于多角度照射水下目标的水下目标分类系统得以实现。

附图说明

图1是现有技术的模式识别系统的组成框图；

图2是本发明提供的基于回波能量算法设计的特征提取模块的组成框图；

图3是本发明提供的基于多视的典型相关分析方法(CCA)设计的特征提取模块的组成框图；

图4-a是本发明提供的基于隐马尔可夫模型(HMM)的得到的分类器组成框图；

图4-b是本发明的在具体分类中隐马尔可夫模型的分类判决器的工作示意图；

图5为本分明的一种基于多视的水下目标分类方法的流程图；

图6为本发明的基于回波能量算法进行特征提取的流程图；

图7为本发明基于多视的典型相关分析方法(CCA)特征提取的步骤流程图；

图8为本发明采用隐马尔可夫模型(HMM)的进行分类器模型设计的流程图；

图9是用于验证本发明的多视分类器技术效果的试验中所使用的真假目标的图片。

具体实施方式

下面结合附图和具体实施例对本发明进行详细的说明。

基于多视的水下目标分类方法属于模式识别的范畴，根据模式识别系统的组成，本发明涉及的一个完整的水下目标分类系统包括数据的获取和预处理、特征提取、分类器设计以及分类判决四个部分。

水下目标的分类识别系统中，声纳传感器采集的数据是其研究的对象，通常是一维波形或者是二维图像。为了便于计算机运算处理，经过测量、采样和量化，可以用矩阵或者向量的形式表示。预处理的作用一是提高数据的质量，比如运用一些数字信号处理的方法进行降噪等，另一个作用是对样本集进行分类，并对野值进行剔出等。这一部分不是本发明的重点，因此不过多阐述，后文提到的数据都视为经过预处理之后得到的数据。传感器的测量信号很少直接进行分类识别，即由于测量数据信息比较冗余，使得分类器设计复杂化，运算量增加，却没有带来实质的效果提升，也由于直接测量信号中噪声的存在导致分类识别的难度增加。特征提取就是对原始数据进行变换，得到最能反映目标分类信息的本质特征。通常情况还可以把高维测量空间中表示的目标，变为低维特征空间中表示的目标，降低运算量与分类器设计的复杂度。分类器的作用就是在特征空间中将被识别对象归为某一类型。其基本的设计方法就是在样本训练集的基础上确定某个判决规则，按照这个判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。

分类判决就是利用设计好的分类器对未知类别的样本进行分类的过程。

如图1所示，该图是基于多视的水下目标分类方法的系统结构示意图。本发明方法基于现有的模式识别系统的组成，该模式识别系统包含设计分类器系统和采用该分类器系统进行分类判决的整体策略，且该识别系统基于多角度照射水下物体形成的所示数据，现有技术的模式识别系统包含具体包含：

数据的获取和预处理模块、特征提取模块、分类器设计模块以及分类判决模块四个部分。其中采用数据的获取和预处理模块、特征提取模块、分类器设计模块可以建立基于若干组真假目标的隐马尔可夫分类器组成的分类系统，该系统首先接受输入的待分类目标的特征提取得到的数据，然后将这些信息输入建立的若干组真假目标的隐马尔可夫分类器组成的分类系统，该分类系统将不同分类器各自的输出结果采用比较判决的方式进行再处理，得到该目标最终的分类结果。

本发明提供的基于多视的水下目标识别分类系统和设计流程如下：

设计数据获取和预处理模块的步骤，用于获取多视的样本数据，并进行预处理，其中在设计分析器系统时所述样本数据取自若干组样本，每一组样本均包含一真目标和若干假目标；

设计特征提取模块的步骤，该步骤采用针对多视数据的特征算法对所述预处理后的多视数据进行特征提取；

设计分类判决器的步骤，首先，用隐马尔可夫模型设计若干个并联的分类器模型；然后，设计比较判决子模块；其中，所述并联分类器模型的计算结果输出到所述比较判别子模块，该判决模块的输出结果作为分类器最终的分类结果；

此外，所述设计数据获取和预处理模块的步骤包含的若干组样本数据的组数和所述设计分类判决器的步骤包含的若干个并联的分类器的个数相等。

整个基于多视的水下目标分类方法的工作流程如图5所示。

数据的获取和预处理在试验过程以及前期的采用现有的技术进行处理来完成，本发明不涉及这一部分的内容。特征提取、分类器设计和分类判决三个步骤中所使用的试验数据默认为已经过预处理。

特征提取步骤本文基于两种不同算法提出了两种方法。

第一种特征提取方法基于回波能量的多视数据特征提取。如图2所示，包含三个子模块：单根谱线能量生成子模块，用于计算频带内的单谱线对应的能量值；回波能量生成子模块，用于计算频带内的所有单谱线的能量和；特征向量生成子模块，用于生成基于多视的回波能量特征值。详细描述如下：

处理流程如图6所示：首先，进行回波能量定义，公式为：

$E=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{ESE}}_j\·\mathrm{\δf}$

其中，ESEj表示为单根谱线能量，δf表示为频率采样间隔，n表示频带内的谱线数量；

然后，多视数据按照不同角度采集的试验数据，对每个角度的数据计算回波能量，再按照角度进行排列显示，目标数据的特征曲线有明显变化趋势；噪声数据的特征曲线没有角度差异性。

最后，借鉴方差的概念得到特征量的定义式如下：

ε_i＝(E_i-MEAN(E))²

其中E_i为第i个角度所采集数据的频谱能量，MEAN(E)为多视数据所有角度采集数据的频谱能量的平均值，i的取值范围为：i的取值范围为1-n，n为多视数据采集角度的个数。

多视数据中所有采集角度的ε_i形成一个特征量ε＝{ε₁，…ε_n}，就是所需提取的特征。

第二种特征提取方法基于多视的典型相关分析方法(CCA)特征提取，其改进之处在于将现有的典型相关分析方法(CCA)二维扩展到多维，该多维维数与多视的照射角度数相同。如图3所示，包含三个子模块：小波特征生成模块：用于对多视数据中每个角度的数据进行小波包分解，得到特征量组b₁…b_n；多维CCA特征生成模块：用于对得到的特征量组b₁…b_n进行多维CCA计算，得到多视CCA算法的特征量a₁…a_n；组合特征向量生成模块：用于计算新的组合特征量所述的改进的基于多视的典型相关分析方法(CCA)特征提取包含如下步骤：

首先，对多视数据进行小波包分解，得到n个小波特征量：

b₁＝[b₁₁，…，b_1M]^T...

b_n＝[b_n1，…，b_nN]^T

其次，对小波特征在a₁到a_n方向上投影，使得

u₁＝a₁ ^Tb₁＝a₁₁b₁₁+…+a_1Mb_1M

..                            ，.

u_n＝a_n ^Tb_n＝a_n1b_n1+…+a_nNb_nN

u₁…u_n之间的相关性定义为

$\mathrm{\ρ}=\frac{\mathrm{cov}\{u_1,\·\·\·,u_n\}}{\sqrt{\mathrm{var}\left(u_1\right)\·\·\·\mathrm{var}\left(u_n\right)}}$

然后，根据拉格朗日方程，当ρ取最大值时，可以解算出a₁…a_n。

最后，组合a₁…a_n得到就是特征融合后的结果。

整个处理的流程如图7所示。

分类器的设计采用隐马尔可夫模型。按照不同范围获取的数据，建立的隐马尔可夫模型状态也不同，这是分类器设计的原理。

对于一个隐马尔可夫模型，可以由下式中的参数确定：

M＝(S，C，π，A，B)

其中S＝{s₁，…，s_N}是隐藏状态，对应于水下目标的实际状态，υ＝{υ₁，…，υ_K}，υ_k∈C是观察状态，对应于试验采集的多视数据，π＝{π₁，…，π_N}是初始状态概率分布，A[N×N]和B[K×N]分别是状态转移概率矩阵和混淆概率矩阵。

建立一个隐马尔可夫模型，实际就是确定π、A和B三个参数。根据鲍姆-威尔士算法，可以得到三个参数的最大似然估计：

$\stackrel{\‾}{{\mathrm{\π}}_i}={\mathrm{\γ}}_1\left(i\right),$ $\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)},$ $\stackrel{\‾}{b_i\left(k\right)}=\frac{\underset{s.t.O_t=v_k}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}$

如图8所示，基于隐马尔可夫模型的分类器设计分为四个步骤：

1)确定模型参数中S和C对应的实际物理意义：

S＝{s₁，…，s_N}是HMM中的隐藏状态，对应于水下目标的实际状态；υ＝{υ₁，…，υ_K}，υ_k∈C是HMM中的观察状态，对应于试验采集的多视数据。

2)根据样本数据通过最大似然估计得到π、A和B三个参数：

π＝{π₁，…，π_N}是初始状态概率分布，A[N×N]和B[K×N]分别是状态转移概率矩阵和混淆概率矩阵，

根据鲍姆-威尔士算法，计算三个参数的最大似然估计：

$\stackrel{\‾}{{\mathrm{\π}}_i}={\mathrm{\γ}}_1\left(i\right),$ $\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)},$ $\stackrel{\‾}{b_i\left(k\right)}=\frac{\underset{s.t.O_t=v_k}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}.$

3)上述步骤1和2确定了一个具体的真目标或假目标的隐马尔可夫分类器模型，分类器系统中，每一个不同的真、假目标都要建立独立的分类器模型，根据样本数据的采集，对每一个目标种类的样本数据经过步骤1和2，就可以建立起各自的隐马尔可夫分类器模型。

4)将样本训练得到的所有具体分类器模型进行整合，形成完整的分类器系统。如图4-a中所示，完整的分类器系统是由各独立的隐马尔可夫分类器模型组成的并行结构，具有相同的输入，待测数据同时输入各分类器模型，各模型各自的计算结果都输入到后置的一个相同的比较判别模块，得到最终的判定结果。

如图4-b所示，使用分类器进行判决分为三个步骤：

1)将测试数据分别输入分类器系统中的每一个独立的分类器模型；

2)每个分类器模型根据各自的参数，通过维特比算法计算测试数据在当前模型的似然概率；

3)比较所有分类器模型的计算结果，取最大值的分类器模型作为判决结果。

通过样本数据的学习过程，建立不同的隐马尔可夫模型，测试数据输入不同参数的分类器模型中，根据一定的判决准则，得到分类结果。

参数估计中使用的数据来源于样本空间，也就是分类器建立的过程。对于不同的目标(真目标或假目表)的样本数据，通过估计算法得到的参数是不同的，于是建立不同的隐马尔可夫模型。测试数据输入不同参数的分类器模型中，根据一定的判决准则，得到分类结果，如图4-b所示。

图9是试验中所使用的真假目标的图片。图中左为真目标(水雷)，图中右为假目标(煤气罐)。本文使用该次试验采集的数据对本发明所提出的基于多视的水下目标分类方法进行了验证，下表是进行分类测试的结果。分类结果表明本发明设计的基于多视的水下目标分类方法具有一定的分类能力，该方法是可靠、有效的，具有实用性。

当然，由于国内对于多视水下目标分类的研究处于刚起步阶段，本发明的效果与国外稍微有一点差距，也是今后的工作中应该努力提高的。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于多视的水下目标识别分类系统，该系统输入的数据为多角度照射目标得到的多视数据，包含：

数据获取和预处理模块，用于获取待分类目标的多视数据并对其进行预处理；

特征提取模块，用于将预处理后的多视数据的采用特征算法进行特征提取；

分类判决模块，该模块进一步包含若干并联的隐马尔可夫分类器模型和一比较判决模块，所述各隐马尔可夫分类器模型的计算结果都输出到所述的比较判别模块，该判决模块的输出结果作为针对该目标的最终的分类结果；

所述特征提取采用基于回波能量的算法，其中，所述基于回波能量的算法进行特征提取的步骤为：

1)对预处理后的采集的多视数据进行频域变换；

2)计算多视数据包含的每一个角度采集的数据的频谱能量E_i；

3)计算所有多视数据数据的平均频谱能量MEAN(E)；

4)计算某一角度采集数据的数据对应的回波能量特征量ε_i＝(E_i-MEAN(E))²，得到该角度回波能量的特征量；

5)判断是否得到所有照射角度对应的数据的回波能量特征量，如果否则返回步骤2)；如果是则完成特征提取。

2.根据权利要求1所述的基于多视的水下目标识别分类系统，其特征在于，适合多视数据的特征算法可采用基于多视的典型相关分析算法。

3.根据权利要求2所述的基于多视的水下目标识别分类系统，其特征在于，所述基于多视的典型相关分析算法进行特征提取的步骤为：

1)对多视数据中每个角度的数据进行小波包分解，得到一个特征量组b₁…b_n；

2)对得到的特征量组b₁…b_n进行多维典型相关分析计算，得到多视典型相关分析算法的特征量a₁…a_n；

3)计算新的组合特征量 $W=\left(\begin{array}{c}{a}_1\\ .\\ .\\ .\\ a_n\end{array}\right),$ 即完成了多视数据的特征提取。

4.根据权利要求1所述的基于多视的水下目标识别分类系统，所述隐马尔可夫模型公式为：M＝(S,C,π,A,B)；其特征在于，所述获取若干并联的隐马尔可夫分类器模型步骤为：

1)确定一个具体的真目标或假目标的隐马尔可夫分类器模型；

2)针对每一个不同的真、假目标都要建立独立的分类器模型，根据样本数据的采集，对每一个目标种类的样本数据采用步骤1)建立起其对应的隐马尔可夫分类器模型；

3)将样本训练得到的所有具体分类器模型进行整合，形成最终分类器。

5.根据权利要求4所述的基于多视的水下目标识别分类系统，其特征在于，所述确定一个具体的真目标或假目标的隐马尔可夫分类器模型进一步包含如下步骤：

1)确定隐马尔可夫模型公式中包含的S和C对应的实际物理意义：

S＝{s₁,…,s_N}是HMM中的隐藏状态，对应于水下目标的实际状态；υ＝{υ₁,…,υ_K},υ_k∈C是HMM中的观察状态，对应于试验采集的多视数据；

2)根据样本数据通过最大似然估计得到π、A和B三个参数：

π＝{π₁,…,π_N}是初始状态概率分布，A[N×N]和B[K×N]分别是状态转移概率矩阵和混淆概率矩阵，

根据鲍姆-威尔士算法，计算三个参数的最大似然估计：

$\stackrel{\‾}{{\mathrm{\π}}_i}={\mathrm{\γ}}_1\left(i\right),\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\ξ}}_t(i,j)}{\underset{t=1}{\overset{T-1}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)},\stackrel{\‾}{b_i\left(k\right)}=\frac{\underset{s.t.O_t=v_k}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}}{\mathrm{\γ}}_i\left(i\right)}{\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\γ}}_t\left(i\right)}.$

6.一种基于多视的水下目标识别分类方法，该方法基于权利要求1所设计的分类系统，包含：

数据获取和预处理的步骤，用于接收待分类的目标包含的多视数据并对这些多视数据进行预处理；

特征提取的步骤，该步骤对所述预处理后的多视数据进行特征提取；其中特征提取采用基于回波能量的算法；

将待测目标的特征向量分别输入分类器系统中若干并联的隐马尔可夫分类器中的每一个独立的隐马尔可夫分类器模型；

所述每个分类器模型根据各自的参数，通过维特比算法计算测试数据在当前模型的似然概率；

比较所有分类器模型的计算结果，取最大值的分类器模型作为判决结果；

所述特征提取的步骤为：

1)频域变换的步骤：对预处理后的采集的多视数据进行频域变换；

2)计算频谱能量的步骤：计算多视数据包含的每一个角度采集的数据的频谱能量E_i；

3)计算平均频谱能量的步骤：计算所有多视数据的平均频谱能量MEAN(E)；

4)计算回波能量特征量的步骤：计算某一角度采集数据的数据对应的回波能量特征量ε_i＝(E_i-MEAN(E))²，得到该角度回波能量的特征量；

5)判断是否提取完成的步骤：判断是否得到所有照射角度对应的数据的回波能量特征量，如果否则返回步骤2)；如果是则完成特征提取。