CN106951915B - 一种基于类别置信度的一维距离像多分类器融合识别法 - Google Patents

Abstract

本发明公开一种基于类别置信度的一维距离像多分类器融合识别法。首先，利用欧式距离测度对经过预处理的实测一维距离像信号样本幅度特征提取其K个最近邻样本；接着，由各子分类器分类结果得到邻域样本类别的可靠性评估进而获得各分类器评估矩阵；最后，由评估矩阵获得该样本所属各类别置信度达到分类目的。本发明基于决策融合理论，结合K‑最近邻思想，利用最近邻和贝叶斯准则获得目标样本的类别置信度完成目标类别划分。相较于单一分类器和传统投票法等决策融合方案，本方法识别精度更高、鲁棒性更好，是具有实用价值的一维距离像决策融合识别方法。

Description

一种基于类别置信度的一维距离像多分类器融合识别法

技术领域

本发明涉及利用多分类器融合识别一维距离像的技术，具体涉及一种基于类别置信度的一维距离像多分类器融合识别法。

背景技术

自动目标识别是雷达研究应用中的关键领域。高分辨率距离像(HRRP)由于其包含丰富的目标特征且数据量较小，是实现目标实时分类的重要研究方向。在HRRP识别中分类器设计是一个重要研究方向，设计合理的分类器能够有效提高识别精度和鲁棒性。然而，单一分类器的性能提升始终有限，随着融合思想的提出，近年来思考如何将多分类器对同一目标的识别结果进行合成得到更加精确的分类输出成为目标识别领域的研究热点。

关于目标的多分类器融合识别，目前主要有两方面：一是着眼于改善分类器的结构，在分类器融合过程中不会对分类器的输出有任何操作而是在多个分类器中寻找一个或一组最好的分类器以其结果为最终分类标准；另一类则是对分类器输出结果进行操作，通过一定的融合准则对多分类器的输出进行有效计算，得到最合适的样本类别。传统的融合方法有多数投票法、加权平均法、贝叶斯法等，这些方法都能够将分类器的结果进行有效的考量得出合理的融合结果，但其都没有综合考量分类器的取舍、分类器间的相互关系及其对分类结果的贡献度，且其只对单一测试样本在各分类器下的结果进行融合，导致融合结果相较于单一分类器并没有很大的提升，且鲁棒性较差，难以在工程实践中很好地应用。

发明内容

发明目的：本发明的目的是提供一种基于类别置信度的一维距离像多分类器融合识别法，相比于单一分类器和已有融合方案在不同环境下都能保持较高的识别精度和稳定性，最终识别精度相较于单一分类器最少提高4个百分点，和传统融合方法相比提高2-3个百分点。

为了达到上述目的，本发明采用如下技术方案：

一种基于类别置信度的一维距离像多分类器融合识别法，步骤如下：

第1步：对包含C种类别的训练样本集

和测试样本y，提取其归一化幅度特征并进行平移对齐操作，得到平移对齐后的训练样本幅度特征集

和测试样本幅度特征h_y；

第2步：根据K-最近邻准则，利用欧式距离测度得到测试样本y最近邻的K个训练样本x₁,x₂,...,x_K；

第3步：对K个最近邻训练样本，由多种分类器分别对其进行识别得到基于各分类器的邻域样本类别可靠性；

第4步：由各分类器下的邻域样本类别可靠性计算各分类器类别评估矩阵R^m(m＝1,2,...,M)；

第5步：由分类器类别评估矩阵分别计算各分类器评估精度G^m(m＝1,2,...,M)，对精度较差的分类器进行剔除，最终筛选出M₁个分类器进行目标类别置信度赋值；

第6步：计算目标各类别置信度W_c(c＝1,2,...,C)，其最大值W_max所对应的类别即为测试样本最终判定类别归属。

进一步的，第2步中，对于测试样本y和任意训练样本

其幅度特征h_y和

的欧式距离为：

其中，

分别表示幅度特征向量h_y和

的第j个元素；将所有训练样本和测试样本的欧氏距离按大小排列，取其最小的K个训练样本为其最近邻域x₁,x₂,...,x_K，其幅度谱特征为h₁,h₂,...,h_K。

进一步的，第3步中，由分类器对邻域样本进行分类，得到在一分类器下各邻域样本的条件类别概率

其代表邻域中第k个样本其真实类别为ω_i(c(x_k)＝ω_i)却被该分类器分到类别ω_j中

的条件概率，在没有任何先验知识的前提下，假设P(c(x_k)＝ω_i)服从均匀分布，且设

则从而得到在该分类器下各邻域样本的加权类别可靠性：

α_k代表距离权重，

τ为距离影响因子，d_k定义为：

其中代表所有邻域样本与测试样本y的最小距离。

进一步的，第4步中，由所得到的各分类器下邻域样本类别可靠性求得其对应的测试样本类别评估矩阵R^m(m＝1,2,...,M)，对于任一分类器其测试样本评估矩阵为：

其中R_ji代表矩阵中第j行i列的元素值；假设概率密度P(c(y)＝ω_l)(l＝1,2,...,C)为均匀分布，则R_ji为：

由此得到各分类器类别评估矩阵R¹,R²,...,R^M。

进一步的，第5步中，由类别评估矩阵计算各分类器的类别评估精度G^m(m＝1,2,...,M)：

为各分类器评估矩阵中的对角元素；求得各分类器评估精度，得到分类器评估精度最大值G_max，设立阈值ε，对与最大精度分类器评估精度相差大于ε的阈值进行剔除，最终选出M₁个符合要求的分类器进行类别置信度赋值。

进一步的，第6步中，由第m₁个分类器对测试样本y的分类结果知其类别概率分别为

则该测试样本第c个类别的置信度为：

代表在分类器m₁下测试样本分为c类的概率；由此得到测试样本各类别的最终类别置信度，则类别置信度最大值所对应的类别标号即为测试样本最终类别归属。

本发明采用上述技术方案具有如下有益效果：

1、识别精度高、鲁棒性好：由于本发明提出的识别方法将多分类器识别结果进行有效的决策融合，其中充分考虑到分类器的取舍、关联和对分类结果的贡献程度，结合K-最近邻思想通过测试样本邻域对分类过程进行适当的辅助判别，有效提高目标识别的准确度和抗干扰性。

2、应用范围广泛：本发明提出的一维距离像融合识别方法可以根据应用场景的不同做适当的改变从而扩展到解决多种目标识别问题，例如光学图像识别、雷达二维图像的识别等。

附图说明

图1是本发明解决一维距离像识别问题的流程示意图；

图2是本发明处理的一维距离像原始实信号回波示意图；

图3是本发明处理的一维距离像归一化幅度特征的示意图；

图4是本发明相较于单一分类器和其他融合方案的识别精度示意图。

具体实施方案

为了使本发明的目的、技术方案及优点更加清楚明确，以下参照附图对本发明进一步详细说明。

本发明提出一种基于类别置信度的一维距离像多分类器融合识别法来达到在复杂环境下HRRP信号的稳健识别。由于该方法基于决策融合理论，结合K-最近邻思想，利用最近邻域样本从侧面辅助测试样本识别，由贝叶斯准则完成分类器的取舍以获得目标样本的类别置信度完成目标类别划分，实验证明该方法相较于单一分类器及传统融合方法识别精度有很大的提升，在复杂环境中表现也相对稳定，是有效且实用的多分类器融合识别方法。

本发明提供一种基于类别置信度的一维距离像多分类器融合识别法，总流程图如图1所示。现有一飞机一维距离像实信号回波数据如图2所示，实际情况中不同型号的飞机回波各不相同，同一型号飞机不同角度的回波信号也有所差异。本发明主要解决该类一维回波信号的多分类器融合识别分类问题，这里以4个不同分类器(M＝4)：高斯核支持向量机、线性支持向量机、贝叶斯分类器和神经网络分类器融合识别为例介绍本方案的具体步骤：

第1步：对包含C种类别的训练样本集和测试样本y，提取其归一化幅度特征并进行平移对齐操作，得到平移对齐后的训练样本幅度特征集和测试样本幅度特征h_y，其中训练样本归一化幅度特征为：

如图3所示；其中|·|表示取模，||·||₂表示取2范数，N表示训练样本数；由于幅度特征的平移敏感性，需要对其进行平移对齐操作，这里采用较为常用的最大相关平移对齐法，其中信号

和的互相关系数为：

式中<·>表示内积运算；则信号以第一个幅度特征作为标准，后面依次平移直到与第一个信号幅度特征互相关系数达到最大，即平移量p为：

得到平移对齐后的归一化幅度特征向量集

测试样本幅度特征提取与平移对齐操作与此同理。

第2步：根据K-最近邻准则，对于测试样本y和任意训练样本

其幅度特征h_y和

的欧式距离为：

其中，

分别表示幅度特征向量h_y和

的第j个元素；将所有训练样本和测试样本的欧氏距离按大小排列，取其最小的K个训练样本为其最近邻域x₁,x₂,...,x_K，其幅度谱特征为h₁,h₂,...,h_K。

第3步：由分类器对邻域样本进行分类得到在一分类器下各邻域样本的条件类别概率

其代表邻域中第k个样本其真实类别为ω_i(c(x_k)＝ω_i)却被该分类器分到类别ω_j中

的条件概率，假设P(c(x_k)＝ω_i)服从均匀分布，且设

则

从而得到在该分类器下各邻域样本的加权类别可靠性：

这里α_k代表距离权重：

这里τ为距离影响因子，用来控制距离因素的影响程度，本示例中取τ＝1，d_k定义为：

其中

代表所有邻域样本与测试样本y的最小距离；其他分类器下y各邻域样本的类别可靠性与此同理。

第4步：由所得到的各分类器邻域样本类别可靠性求得其对应的类别评估矩阵R^m(m＝1,2,...,M)，对于任一分类器其测试样本评估矩阵为：

其中R_ji代表矩阵中第j行i列的元素值；由以上假设概率密度P(c(y)＝ω_l)(l＝1,2,...,C)为均匀分布，因此R_ji可写为：

由此得到各分类器类别评估矩阵R¹,R²,...,R^M。

第5步：由类别评估矩阵计算各分类器的类别评估精度G^m(m＝1,2,...,M)：

这里

为各分类器评估矩阵中的对角元素；求得各分类器评估精度，得到分类器评估精度最大值G_max，设立阈值ε，对与最大精度分类器评估精度相差大于ε的阈值进行剔除，最终选出M₁个符合要求的分类器进行测试样本类别置信度赋值。

第6步：由第m₁个分类器对测试样本y的分类结果知其类别概率分别为则该测试样本第c个类别的置信度为：

这里，代表在分类器m₁下测试样本分为c类的概率；由此得到测试样本各类别的最终类别置信度，则类别置信度最大值所对应的类别标号即为测试样本最终类别归属：

图4给出了单一最优分类器及传统融合识别方案与本文方法的识别精度对比示意图。由以上数据可以看出，本文所提融合方法在相同噪声背景下识别精度更高且在高噪环境下依然能实现较为精确的识别，相比单一最优分类器平均识别精度提高4个百分点左右，比传统融合识别方案高出2-3个百分点。实验证明本方法具有更好的识别精度和鲁棒性，具有较大的实际应用价值。

Claims (5)

1.一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于，步骤如下：

第1步：对包含C种类别的训练样本集

和测试样本y，提取其归一化幅度特征并进行平移对齐操作，得到平移对齐后的训练样本幅度特征集

和测试样本幅度特征h_y；

第2步：根据K-最近邻准则，利用欧式距离测度得到测试样本y最近邻的K个训练样本x₁，x₂，...，x_K；

第3步：对K个最近邻训练样本，由多种分类器分别对其进行识别得到基于各分类器的邻域样本类别可靠性；

第4步：由各分类器下的邻域样本类别可靠性计算各分类器类别评估矩阵R^m，m＝1，2，…，M；

第5步：由分类器类别评估矩阵分别计算各分类器评估精度G^m，m＝1，2，…，M，对精度较差的分类器进行剔除，最终筛选出M₁个分类器进行目标类别置信度赋值；

第6步：计算目标各类别置信度W_c，c＝1，2，…，C，其最大值W_max所对应的类别即为测试样本最终判定类别归属；

第3步中，由分类器对邻域样本进行分类，得到在一分类器下各邻域样本的条件类别概率

k＝1，2，…，K，其代表邻域中第k个样本其真实类别为ω_i，c(x_k)＝ω_i却被该分类器分到类别ω_j中

的条件概率，在没有任何先验知识的前提下，假设P(c(x_k)＝ω_i)服从均匀分布，且设

则

从而得到在该分类器下各邻域样本的加权类别可靠性：

α_k代表距离权重，

τ为距离影响因子，d_k定义为：

其中

代表所有邻域样本与测试样本y的最小距离。

2.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第2步中，对于测试样本y和任意训练样本其幅度特征h_y和

的欧式距离为：

其中，

分别表示幅度特征向量h_y和

的第j个元素；将所有训练样本和测试样本的欧氏距离按大小排列，取其最小的K个训练样本为其最近邻域x₁，x₂，...，x_K，其幅度谱特征为h₁，h₂，...，h_K。

3.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第4步中，由所得到的各分类器下邻域样本类别可靠性求得其对应的测试样本类别评估矩阵R^m，m＝1，2，…，M，对于任一分类器其测试样本评估矩阵为：

其中R_ji代表矩阵中第j行i列的元素值；假设概率密度P(c(y)＝ω_l)，l＝1，2，…，C为均匀分布，则R_ji为：

由此得到各分类器类别评估矩阵R¹，R²，...，R^M。

4.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第5步中，由类别评估矩阵计算各分类器的类别评估精度G^m，m＝1，2，…，M：

i＝1，2，…，C为各分类器评估矩阵中的对角元素；求得各分类器评估精度，得到分类器评估精度最大值G_max，设立阈值ε，对与最大精度分类器评估精度相差大于ε的阈值进行剔除，最终选出M₁个符合要求的分类器进行类别置信度赋值。

5.根据权利要求1所述的一种基于类别置信度的一维距离像多分类器融合识别法，其特征在于第6步中，由第m₁个分类器对测试样本y的分类结果知其类别概率分别为

则该测试样本第c个类别的置信度为：

代表在分类器m₁下测试样本分为c类的概率；

为各分类器评估矩阵中的对角元素；由此得到测试样本各类别的最终类别置信度，则类别置信度最大值所对应的类别标号即为测试样本最终类别归属。

Images