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
一种基于类别置信度的一维距离像多分类器融合识别法 Download PDFInfo
- Publication number
- CN106951915B CN106951915B CN201710102964.0A CN201710102964A CN106951915B CN 106951915 B CN106951915 B CN 106951915B CN 201710102964 A CN201710102964 A CN 201710102964A CN 106951915 B CN106951915 B CN 106951915B
- Authority
- CN
- China
- Prior art keywords
- classifier
- class
- test sample
- sample
- confidence
- 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.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
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
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,...,xK;
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Rm(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Gm(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Wc(c=1,2,...,C),其最大值Wmax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ωi(c(xk)=ωi)却被该分类器分到类别ωj中的条件概率,在没有任何先验知识的前提下,假设P(c(xk)=ωi)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:
αk代表距离权重,
τ为距离影响因子,dk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Rm(m=1,2,...,M),对于任一分类器其测试样本评估矩阵为:
其中Rji代表矩阵中第j行i列的元素值;假设概率密度P(c(y)=ωl)(l=1,2,...,C)为均匀分布,则Rji为:
由此得到各分类器类别评估矩阵R1,R2,...,RM。
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Gm(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Gmax,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。
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hy,其中训练样本归一化幅度特征为:
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:
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ωi(c(xk)=ωi)却被该分类器分到类别ωj中的条件概率,假设P(c(xk)=ωi)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αk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,dk定义为:
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Rm(m=1,2,...,M),对于任一分类器其测试样本评估矩阵为:
其中Rji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)=ωl)(l=1,2,...,C)为均匀分布,因此Rji可写为:
由此得到各分类器类别评估矩阵R1,R2,...,RM。
第5步:由类别评估矩阵计算各分类器的类别评估精度Gm(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Gmax,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,...,xK;
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Rm,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Gm,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Wc,c=1,2,…,C,其最大值Wmax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ωi,c(xk)=ωi却被该分类器分到类别ωj中的条件概率,在没有任何先验知识的前提下,假设P(c(xk)=ωi)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:
αk代表距离权重,
τ为距离影响因子,dk定义为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102964.0A CN106951915B (zh) | 2017-02-23 | 2017-02-23 | 一种基于类别置信度的一维距离像多分类器融合识别法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102964.0A CN106951915B (zh) | 2017-02-23 | 2017-02-23 | 一种基于类别置信度的一维距离像多分类器融合识别法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951915A CN106951915A (zh) | 2017-07-14 |
CN106951915B true CN106951915B (zh) | 2020-02-21 |
Family
ID=59468131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710102964.0A Expired - Fee Related CN106951915B (zh) | 2017-02-23 | 2017-02-23 | 一种基于类别置信度的一维距离像多分类器融合识别法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951915B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576948B (zh) * | 2017-08-15 | 2020-09-25 | 电子科技大学 | 一种基于高分辨距离像imf特征的雷达目标识别方法 |
CN107463966B (zh) * | 2017-08-17 | 2019-06-18 | 电子科技大学 | 基于双深度神经网络的雷达一维距离像目标识别方法 |
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 |
CN110084263B (zh) * | 2019-03-05 | 2021-04-30 | 西北工业大学 | 一种基于信任的多框架异构数据融合识别方法 |
CN111062401A (zh) * | 2019-09-27 | 2020-04-24 | 商汤国际私人有限公司 | 堆叠物体的识别方法及装置、电子设备和存储介质 |
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 |
CN110874584B (zh) * | 2019-11-21 | 2021-08-31 | 河北工业大学 | 一种基于改进原型聚类的叶片故障诊断方法 |
CN113191332B (zh) * | 2021-05-27 | 2023-06-27 | 安阳工学院 | 一种基于深度学习置信度估计的目标检测方法及装置 |
CN113378941B (zh) * | 2021-06-16 | 2022-05-03 | 中国石油大学(华东) | 多决策融合的小样本图像分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757309A (en) * | 1996-12-18 | 1998-05-26 | The United States Of America As Represented By The Secretary Of The Navy | Spatial frequency feature extraction for a classification system using wavelets |
CN102646200B (zh) * | 2012-03-08 | 2014-06-04 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及系统 |
US9292792B1 (en) * | 2012-09-27 | 2016-03-22 | Lockheed Martin Corporation | Classification systems and methods using convex hulls |
CN103955701B (zh) * | 2014-04-15 | 2017-02-22 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN104007431B (zh) * | 2014-05-29 | 2017-03-29 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116400B (zh) * | 2015-08-31 | 2018-04-10 | 西安电子科技大学 | 基于iMMFA模型的雷达高分辨距离像的目标识别方法 |
CN106054155B (zh) * | 2016-06-03 | 2018-08-10 | 西安电子科技大学 | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 |
CN106443632B (zh) * | 2016-12-01 | 2018-11-16 | 西安电子科技大学 | 基于标签保持多任务因子分析模型的雷达目标识别方法 |
-
2017
- 2017-02-23 CN CN201710102964.0A patent/CN106951915B/zh not_active Expired - Fee Related
Non-Patent Citations (8)
Title |
---|
"Fusion of Classifiers Based on a Novel 2-Stage Model";Tien Thanh Nguyen等;《International Conference on Machine Learning and Cybernetics 2014》;20141205;第60-68页 * |
"Investigation of diversity and accuracy in ensemble of classifiers using Bayesian decision rules";Man Sing WONG等;《2008 International Workshop on Earth Observation and Remote Sensing Applications》;20080702;第1-6页 * |
"Multiple Classifier System for Remote Sensing Image Classification: A Review";Peijun Du等;《Sensors》;20120412;第12卷(第4期);第4764-4792页 * |
"New method for radar HRRP recognition and rejection based on weighted majority voting combination of multiple classifiers";Xuefeng Zhang等;《2011 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC)》;20110916;第1-4页 * |
"一种融合多极化特征的雷达目标识别方法";张玉玺等;《计算机科学》;20120930;第39卷(第9期);第208-210、234页 * |
"基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法";张学峰等;《自动化学报》;20140228;第40卷(第2期);第348-356页 * |
"宽带雷达目标识别技术研究";李丽亚;《中国博士学位论文全文数据库 信息科技辑》;20091215;第2009年卷(第12期);I136-52 * |
"雷达高分辨距离像目标识别与拒判方法研究";张学峰;《中国博士学位论文全文数据库 信息科技辑》;20170215;第2017年卷(第2期);I136-225 * |
Also Published As
Publication number | Publication date |
---|---|
CN106951915A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN110210463B (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
CN107862705B (zh) | 一种基于运动特征和深度学习特征的无人机小目标检测方法 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN111736125B (zh) | 基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法 | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及系统 | |
CN103955701B (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
CN112764024B (zh) | 基于卷积神经网络和Bert的雷达目标识别方法 | |
CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
CN109492671B (zh) | 一种基于lstm的多极化高分辨距离像目标识别方法 | |
CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
CN111580058A (zh) | 基于多尺度卷积神经网络的雷达hrrp目标识别方法 | |
CN109785359B (zh) | 一种基于深度特征金字塔与跟踪损失的视频目标检测方法 | |
CN114926693A (zh) | 基于加权距离的sar图像小样本识别方法及装置 | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200221 |