CN106250848B - 一种基于多模型融合的单类水声目标识别方法 - Google Patents
一种基于多模型融合的单类水声目标识别方法 Download PDFInfo
- Publication number
- CN106250848B CN106250848B CN201610615373.9A CN201610615373A CN106250848B CN 106250848 B CN106250848 B CN 106250848B CN 201610615373 A CN201610615373 A CN 201610615373A CN 106250848 B CN106250848 B CN 106250848B
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- acoustic object
- classifier
- single class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于多模型融合的单类水声目标识别方法,本方法首先利用深度自编码神经网络提取水声目标的特征,构建水声目标深度特征训练样本集;然后利用Adaboost算法进行SVDD单类分类器集成学习,得到单类水声目标识别模型。这个模型可以对测试样本做出是否是目标类的判断。这个方法打破利用专家知识和先验知识提取水声目标的传统模式,利用深度自编码网络直接从原始信号提取单类水声目标的特征;通过增加个体分类器之间的差异性和准确性,利用集成学习,构建准确度高和泛化性好的单类水声目标识别模型。
Description
技术领域
本发明涉及一种水声目标识别方法,这个方法是基于多模型融合的单类水声目标识别方法,是一种准确度高和泛化性好的单类水声目标识别方法。
背景技术
在水声目标识别领域,单类目标识别是指只能获得一类样本(即目标类样本)用于训练分类器,训练好的分类器要能够判断测试样本是目标类样本或者非目标类样本。由于获取水声数据样本成本高,代价大,水声目标数据是小样本数据,单类目标识别常常出现欠学习或过学习的问题。因此单类目标识别的正确率和泛化性能较低的问题一直难以解决。
现有的水声目标识别方法主要是用于多类目标识别的方法,这些方法主要分为多类目标的特征提取和多类目标分类器这两大部分。现有的水声目标特征提取方法多依赖先验知识和专家知识,但是在单类水声目标识别应用中常常无法获得有关目标类和非目标类区别的先验知识和专家知识,因此现有多类水声目标特征提取方法无法满足单类水声目标识别的要求。单类目标识别的训练样本只有一个类别,因此用于多类水声目标识别的分类器无法实现单类目标识别。在中国知网、万方、IEEE和Springerlink等国内外数据库上,没有检索到应用于单类水声目标识别的特征提取方法和分类器设计方法。而现有的用于其它应用领域的单类目标识别方法,没有针对单类水声目标小样本识别问题,无法解决由此产生的单类水声目标识别的准确度低和泛化性能较低的问题。
发明内容
为了解决单类水声目标识别的正确率和泛化性能较低的问题,本发明提出一种基于多模型融合的单类水声目标识别方法,这个方法集成了以下模型:基于深度自编码网络的单类水声目标特征提取模型、用于单类分类器的集成学习模型和支持向量数据域描述单类分类器(Support Vector Data Description,SVDD)。基于多模型融合的单类水声目标识别方法为解决训练样本只有一类,小样本的单类水声目标识别的准确度低和泛化性能较低的问题提供一种新的技术途径和方法。
技术方案
所述一种基于多模型融合的单类水声目标识别方法,其特征在于:包括以下步骤:
步骤1:获取N个单类水声目标类信号作为样本信号,对样本信号进行FFT变换,得到每个样本信号频谱的幅度谱,所有样本信号频谱的幅度谱组成训练样本矩阵;利用训练样本矩阵训练深度自编码神经网络;
步骤2:利用步骤1训练好的深度自编码神经网络,提取单类水声目标的特征,构成初始训练样本集
步骤3:根据训练样本个数N,初始化样本权值
步骤4:设置循环代数T,并令迭代标记t=1;
步骤5:按照概率pt(i)从初始训练样本集X中抽N个样本组成训练样本集Xt,其中
步骤6:利用训练样本集Xt和n折交叉验证法选择第t代SVDD分类器的核参数(Ct,σt);
步骤7:利用训练样本集Xt和核参数(Ct,σt)训练SVDD单类分类器ht;
步骤8:计算SVDD单类分类器ht的加权分类错误率其中
ht(xi)表示将样本xi放入分类器ht中得到的分类结果;
步骤9:更新样本权值:
其中
并进行归一化处理
步骤10:判断t=T是否成立;若成立,则转至步骤11;若不成立,则取t=t+1,转至步骤5;
步骤11:步骤11:利用训练好的深度自编码神经网络提取测试信号的特征,构成测试样本y;
步骤12:对测试样本y进行识别,判断测试样本y是否是目标类,判断公式如下:
其中分类器权值为如果H(y)≥0,测试样本y判为目标类;如果H(y)<0,测试样本y判为非目标类。
进一步的优选方案,所述一种基于多模型融合的单类水声目标识别方法,其特征在于:步骤8中,计算SVDD单类分类器ht的加权分类错误率后,如果εt≥0.5或者εt=0,判断t是否等于1,若t等于1,则报错,否则,取T=t-1,并转至步骤11。
有益效果
本发明提出了一种基于多模型融合的单类水声目标识别方法。本方法首先利用深度自编码神经网络提取水声目标的特征,构建水声目标深度特征训练样本集;然后利用Adaboost算法(体现在步骤5至步骤10)进行SVDD单类分类器集成学习(Ada-SVDDE),得到单类水声目标识别模型。这个模型可以对测试样本做出是否是目标类的判断。这个方法打破利用专家知识和先验知识提取水声目标的传统模式,利用深度自编码网络直接从原始信号提取单类水声目标的特征;通过增加个体分类器之间的差异性和准确性,利用集成学习,构建准确度高和泛化性好的单类水声目标识别模型。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:本发明方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例中的基于多模型融合的单类水声目标识别方法集成了以下模型:基于深度自编码网络的单类水声目标特征提取模型、用于单类分类器的集成学习模型和支持向量数据域描述单类分类器(Support Vector Data Description,SVDD),包括以下步骤:
步骤1:获取N个单类水声目标类信号作为样本信号,对样本信号进行FFT变换,得到每个样本信号频谱的幅度谱,所有样本信号频谱的幅度谱组成训练样本矩阵;利用训练样本矩阵训练深度自编码神经网络。
步骤2:利用步骤1训练好的深度自编码神经网络,提取单类水声目标的特征,构成初始训练样本集
步骤3:根据训练样本个数N,初始化样本权值
步骤4:设置循环代数T,并令迭代标记t=1。
步骤5:按照概率pt(i)从初始训练样本集X中抽N个样本组成训练样本集Xt,其中即对初始训练样本集X进行N次抽取操作,每次抽取1个样本放入训练样本集Xt中,且在X中保留该样本,X中每个样本被抽取到的概率为pt(i)。
步骤6:利用训练样本集Xt和n折交叉验证法选择第t代SVDD分类器的核参数(Ct,σt)。
步骤7:利用训练样本集Xt和核参数(Ct,σt)训练SVDD单类分类器ht。
步骤8:计算SVDD单类分类器ht的加权分类错误率其中
ht(xi)表示将样本xi放入分类器ht中得到的分类结果。
进一步的,在计算SVDD单类分类器ht的加权分类错误率后,如果εt≥0.5或者εt=0,判断t是否等于1,若t等于1,则报错,否则,取T=t-1,并转至步骤11。如果不满足εt≥0.5或者εt=0,则进入下一步。
步骤9:更新样本权值:
其中
并进行归一化处理
步骤10:判断t=T是否成立;若成立,则转至步骤11;若不成立,则取t=t+1,转至步骤5。
步骤11:步骤11:利用训练好的深度自编码神经网络提取测试信号的特征,构成测试样本y。
步骤12:对测试样本y进行识别,判断测试样本y是否是目标类,判断公式如下:
其中分类器权值为如果H(y)≥0,测试样本y判为目标类;如果H(y)<0,测试样本y判为非目标类。
基于上述原理,下面给出具体实施例:
(1)有目标类水声信号480个,非目标类信号1440个;随机抽取240个目标类信号作为训练数据,其余数据全部做测试数据。并对每个水声训练数据信号做FFT变换,获得每个信号频谱的幅度谱,构成(240*2048)的训练样本矩阵。
(2)利用训练样本训练五层深度自编码神经网络,深度自编码神经网络每层的神经元个数为2048,500,100,500,2048,当训练完成,利用中间隐含层的神经元的激活值作为水声目标的特征,得到(240*100)的训练样本的特征矩阵
(3)训练样本集为初始化样本权值,
(4)设置循环代数T=10,迭代标记t=1。
(5)计算第一代样本抽取概率故
p1(1)=p1(2)=p1(3)=...=p1(240)=0.0042,按照样本抽取概率p1(i)从X中抽取240个样本组成样本集X1。
(6)利用X1,将240个样本分成5份,每次取其中4份训练,1份测试,用这样5折交叉验证法选出第1代SVDD分类器的最佳核参数(C1,σ1)=(0.01,1.6)。
(7)用X1和(6)中得到的最佳核参数(C1,σ1)=(0.01,1.6)训练SVDD分类器h1。
(8)根据被错误分类样本的权值求和计算出h1的加权分类错误率ε1=0.1917,
(9)更新样本权值,得到第二代的样本权值:
D′2(1)=0.001,D′2(2)=0.001,D′2(3)=0.042,...,D′2(240)=0.001,其中有46个被错误分类样本权值为0.042。
再归一化处理,得到
D2(1)=0.0026,D2(2)=0.0026,D2(3)=0.0109,...,D2(240)=0.0026,其中有46个被错误分类样本归一化后的权值为0.0109。
(10)t=1+1=2,转至(5)
(11)循环重复,得到十代SVDD分类器的加权分类错误率
ε1=0.1917,ε2=0.1860,ε3=0.1859....,
计算分类器权值q1=1.6518,q2=1.6820,q3=1.6825...。
(12)利用训练好的5层深度自编码网络对240个目标类水声信号和1440个非目标类信号进行特征提取,得到测试样本的特征矩阵(1680*100)。
(13)将测试样本的特征矩阵(1680*100)依次计算,得到每个测试样本的类别属性矩阵(1680*1)。
(14)根据类别属性矩阵的正负判断归属,得出目标类测试数据识别正确率是87.3%,非目标类测试数据识别正确率是90.5%。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种基于多模型融合的单类水声目标识别方法,其特征在于:包括以下步骤:
步骤1:获取N个单类水声目标类信号作为样本信号,对样本信号进行FFT变换,得到每个样本信号频谱的幅度谱,所有样本信号频谱的幅度谱组成训练样本矩阵;利用训练样本矩阵训练深度自编码神经网络;
步骤2:利用步骤1训练好的深度自编码神经网络,提取单类水声目标的特征,构成初始训练样本集
步骤3:根据训练样本个数N,初始化样本权值
步骤4:设置循环代数T,并令迭代标记t=1;
步骤5:按照概率pt(i)从初始训练样本集X中抽N个样本组成训练样本集Xt,其中
步骤6:利用训练样本集Xt和n折交叉验证法选择第t代SVDD分类器的核参数(Ct,σt);
步骤7:利用训练样本集Xt和核参数(Ct,σt)训练SVDD单类分类器ht;
步骤8:计算SVDD单类分类器ht的加权分类错误率其中
ht(xi)表示将样本xi放入分类器ht中得到的分类结果;
步骤9:更新样本权值:
其中
并进行归一化处理
步骤10:判断t=T是否成立;若成立,则转至步骤11;若不成立,则取t=t+1,转至步骤5;
步骤11:步骤11:利用训练好的深度自编码神经网络提取测试信号的特征,构成测试样本y;
步骤12:对测试样本y进行识别,判断测试样本y是否是目标类,判断公式如下:
其中分类器权值为如果H(y)≥0,测试样本y判为目标类;如果H(y)<0,测试样本y判为非目标类。
2.根据权利要求1所述一种基于多模型融合的单类水声目标识别方法,其特征在于:
步骤8中,计算SVDD单类分类器ht的加权分类错误率后,如果εt≥0.5或者εt=0,判断t是否等于1,若t等于1,则报错,否则,取T=t-1,并转至步骤11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610615373.9A CN106250848B (zh) | 2016-07-29 | 2016-07-29 | 一种基于多模型融合的单类水声目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610615373.9A CN106250848B (zh) | 2016-07-29 | 2016-07-29 | 一种基于多模型融合的单类水声目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106250848A CN106250848A (zh) | 2016-12-21 |
CN106250848B true CN106250848B (zh) | 2019-08-09 |
Family
ID=57605460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610615373.9A Active CN106250848B (zh) | 2016-07-29 | 2016-07-29 | 一种基于多模型融合的单类水声目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250848B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107656236A (zh) * | 2017-08-18 | 2018-02-02 | 天津大学 | 基于支持向量数据描述海洋环境下声信号优化方法 |
CN108364006B (zh) * | 2018-01-17 | 2022-03-08 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN110889436B (zh) * | 2019-11-06 | 2022-07-22 | 西北工业大学 | 一种基于可信度估计的水下多类目标分类方法 |
CN111709299B (zh) * | 2020-05-19 | 2022-04-22 | 哈尔滨工程大学 | 一种基于加权支持向量机的水声目标识别方法 |
CN111985533B (zh) * | 2020-07-14 | 2023-02-03 | 中国电子科技集团公司第三十六研究所 | 一种基于多尺度信息融合的增量式水声信号识别方法 |
CN112202696B (zh) * | 2020-10-12 | 2022-03-29 | 青岛科技大学 | 基于模糊自编码器的水声信号自动调制识别方法 |
CN113191178B (zh) * | 2020-12-04 | 2022-10-21 | 中国船舶重工集团公司第七一五研究所 | 一种基于听觉感知特征深度学习的水声目标识别方法 |
CN114460566B (zh) * | 2022-01-04 | 2024-04-30 | 中国科学院声学研究所东海研究站 | 水声目标实时识别方法、系统及装置 |
CN116108353B (zh) * | 2023-04-12 | 2023-06-16 | 厦门大学 | 一种基于数据分组的小样本深度学习水声目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268395A (zh) * | 2014-09-24 | 2015-01-07 | 杭州电子科技大学 | 基于舰船辐射噪声频域融合特征的水声目标识别方法 |
CN104361197A (zh) * | 2014-09-24 | 2015-02-18 | 杭州电子科技大学 | 基于舰船辐射噪声mfcc特征的水声目标识别方法 |
CN104657736A (zh) * | 2013-11-19 | 2015-05-27 | 中国科学院沈阳自动化研究所 | 一种基于主动轮廓的声呐图像水雷目标识别方法 |
CN105488466A (zh) * | 2015-11-26 | 2016-04-13 | 中国船舶工业系统工程研究院 | 一种深层神经网络和水声目标声纹特征提取方法 |
-
2016
- 2016-07-29 CN CN201610615373.9A patent/CN106250848B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657736A (zh) * | 2013-11-19 | 2015-05-27 | 中国科学院沈阳自动化研究所 | 一种基于主动轮廓的声呐图像水雷目标识别方法 |
CN104268395A (zh) * | 2014-09-24 | 2015-01-07 | 杭州电子科技大学 | 基于舰船辐射噪声频域融合特征的水声目标识别方法 |
CN104361197A (zh) * | 2014-09-24 | 2015-02-18 | 杭州电子科技大学 | 基于舰船辐射噪声mfcc特征的水声目标识别方法 |
CN105488466A (zh) * | 2015-11-26 | 2016-04-13 | 中国船舶工业系统工程研究院 | 一种深层神经网络和水声目标声纹特征提取方法 |
Non-Patent Citations (2)
Title |
---|
两种半监督多类水下目标识别算法的比较;杜方键 等;《声学技术》;20140215;第33卷(第1期);第10-13页 * |
水下目标识别中样本选择与SVME融合算法;杨宏晖 等;《西北工业大学学报》;20140615;第32卷(第3期);第362-367页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106250848A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250848B (zh) | 一种基于多模型融合的单类水声目标识别方法 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
CN104298977B (zh) | 一种基于不相关性约束的低秩表示人体行为识别方法 | |
CN110659378B (zh) | 基于对比相似性损失函数的细粒度图像检索方法 | |
CN109002848B (zh) | 一种基于特征映射神经网络的弱小目标检测方法 | |
CN104992191A (zh) | 基于深度学习的特征和最大置信路径的图像分类方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN104035996A (zh) | 基于Deep Learning的领域概念抽取方法 | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
CN112738092A (zh) | 一种日志数据增强方法、分类检测方法及系统 | |
CN107169469A (zh) | 一种基于机器学习的mimo雷达的材料识别方法 | |
CN114844840A (zh) | 一种基于计算似然比的分布外网络流量数据检测方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN109933619A (zh) | 一种半监督分类预测方法 | |
Yang et al. | Classification of odontocete echolocation clicks using convolutional neural network | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN104143088B (zh) | 一种基于图像检索和特征权重学习的人脸识别方法 | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN108776801A (zh) | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 | |
CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
CN110068799A (zh) | 一种稀疏邻域中心保持rcs序列特征提取方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |