CN110889436B - 一种基于可信度估计的水下多类目标分类方法 - Google Patents

一种基于可信度估计的水下多类目标分类方法 Download PDF

Info

Publication number
CN110889436B
CN110889436B CN201911073397.6A CN201911073397A CN110889436B CN 110889436 B CN110889436 B CN 110889436B CN 201911073397 A CN201911073397 A CN 201911073397A CN 110889436 B CN110889436 B CN 110889436B
Authority
CN
China
Prior art keywords
class
underwater
svm
types
theta
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
Application number
CN201911073397.6A
Other languages
English (en)
Other versions
CN110889436A (zh
Inventor
姜喆
陈雪文
何轲
申晓红
王海燕
董海涛
廖建宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201911073397.6A priority Critical patent/CN110889436B/zh
Publication of CN110889436A publication Critical patent/CN110889436A/zh
Application granted granted Critical
Publication of CN110889436B publication Critical patent/CN110889436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于可信度估计的水下多类目标分类方法，首先构建水下多目标数据集并给出其幂集，然后给出每个二类SVM分类器的分类结果，计算矛盾因子和每个二类SVM分类器的置信度，从而得到每个需要判别的水下目标类别的分类正确率。本发明针对无法确定每个二类SVM分类器的置信程度以及无法将多个二类SVM分类器的结果进行有效融合的问题，通过利用高斯型隶属度函数来表示每个二类SVM的信度因子以及利用构建的置信融合规则融合每个带有信度因子的二类SVM的输出结果，从而能够在增加每个二分类器的可信度的基础上识别出水下的多类目标，提高水下多类目标的分类正确率。

Description

一种基于可信度估计的水下多类目标分类方法
技术领域
本发明属于信息信号处理领域，涉及水下信号处理、支持向量机、D-S证据理论、分类器融合等理论方法。
背景技术
自20世纪80年代以来，由于水下目标分类识别技术具有极为重要的应用价值，已成为水下装备领域研究中的一大热点。由于海洋环境的复杂多变及海洋环境噪声的非平稳性等原因，水下多类目标的分类方法相对于水下二类目标的分类识别任务具有较高的难度。
目前解决多分类问题的方法有很多，如决策树法、贝叶斯法、人工神经网络算法等。决策树法的鲁棒性较差，对于噪点较多的数据算法的有效性较差。贝叶斯法要求特征向量中各个特征维度是独立的，这一条件在实际情况下很难成立。人工神经网络算法容易陷入局部最优解，在应用范围受到了一定的限制。考虑水下目标构成的小样本集，基于统计学习理论的支持向量机(Support Vector Machines,SVM)技术以其突出的理论优势，广泛的应用于水中目标识别领域。从分类的角度讲，SVM算法本质上是一个二类分类算法，不能直接用来解决多类分类问题，而现实中的分类问题一般情况下都是多分类问题。在解决多分类识别问题时，主要方法是联合一组二类分类器使用某种策略决定输入样本的类别，目前采用SVM算法实现水下多类目标的分类问题时，为了减小所需训练的二类SVM分类器的数量，采用“一对多”SVM策略，将一个多类目标的分类问题转化为多个二类问题进行计算。其中，每个SVM分类器独立进行训练，并且标准SVM输出的是测试样本的类别标签，在进行多分类识别问题时主要采用投票机制。因此，在使用多分类SVM算法时，会存在两个问题：一是对于每个二类SVM的结果无法确定其权重值，即无法确定每个二类SVM分类器的置信程度；二是无法将多个二类SVM分类器的结果进行有效融合。
发明内容
为了克服现有技术的不足，本发明提供一种基于可信度估计的水下多类目标分类方法，通过利用高斯型隶属度函数来表示每个二类SVM的信度因子以及利用D-S证据理论的组合规则融合每个带有信度因子的二类SVM的输出结果，从而能够在增加每个二分类器的可信度的基础上识别出水下的多类目标，提高水下多类目标的分类正确率。
本发明解决其技术问题所采用的技术方案包括以下步骤：
第一步，通过水听器录取多类目标的数据作为样本集M＝{Xk,Yl}，其中，Xk＝{x1,x2,…,xk}表示送入到SVM分类器中的训练集，Yl＝{y1,y2,…,yl}表示送入到SVM分类器中的测试集；构建水下多目标集Θ＝{θ1,θ2,…θN}，其幂集用
Figure BDA0002261658350000021
表示，其中多目标集Θ中所有目标作为样本组成样本集M，θi表示所要分类的多类目标的类型，i＝1,2,…,N，N表示需要判别的水下目标类别的类别数，
Figure BDA0002261658350000022
表示空集；
第二步，依次把某个类别的样本归为一类，其余的样本归为一类，从而构造出N个二类SVM分类器；将训练集Xk＝{x1,x2,…,xk}中的元素送入二类SVM分类器得到N对分类结果mj(·)，j＝1,2,…,N；
第三步，将第二步中得到的每个二类SVM分类器的分类结果带入公式计算矛盾因子
Figure BDA0002261658350000023
其中，Ai表示包含所要判断的水下目标类别的集合；
第四步，对测试集Yl＝{y1,y2,…,yl}中样本数据构成的矩阵求解矩阵行的均值
Figure BDA0002261658350000024
与标准差σl，用高斯型隶属度函数得到每个二类SVM分类器的置信度
Figure BDA0002261658350000025
第五步，构建置信融合规则，得到需要判别的水下目标的概率
Figure BDA0002261658350000026
其中，θi表示所要分类的多类目标的类型。
所述的第一步中，训练集与测试集的划分是利用cvpartition函数，按照30％用于训练、70％用于测试的规则进行划分。
本发明的有益效果是：针对无法确定每个二类SVM分类器的置信程度以及无法将多个二类SVM分类器的结果进行有效融合的问题，通过利用高斯型隶属度函数来表示每个二类SVM的信度因子以及利用构建的置信融合规则融合每个带有信度因子的二类SVM的输出结果，从而能够在增加每个二分类器的可信度的基础上识别出水下的多类目标，提高水下多类目标的分类正确率。
附图说明
图1是本发明的流程示意框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明针对复杂多变的海洋环境下水下多类目标的分类识别难度大的问题，结合支持向量机结合D-S证据理论，给出一种基于可信度估计的水下多类目标分类方法。
本发明的主步骤如下：
第一步：构建水下多目标数据集并给出其幂集
通过水听器录取多类目标的数据作为样本集M＝{Xk,Yl}，其中，Xk＝{x1,x2,…,xk}表示送入到SVM分类器中的训练集，Yl＝{y1,y2,…,yl}表示送入到SVM分类器中的测试集。训练集与测试集的划分是利用cvpartition函数，按照30％用于训练，70％用于测试进行自动划分。构建水下多目标集Θ＝{θ1,θ2,…θN}，其幂集用
Figure BDA0002261658350000031
表示，其中多目标集Θ中所有目标作为样本组成样本集M。
其中，θi，i＝1,2,…,N表示所要分类的多类目标的类型，N表示需要判别的水下目标类别的类别数，
Figure BDA0002261658350000032
表示空集。
第二步：给出每个二类SVM分类器的分类结果
在采用SVM算法实现水下多类目标的分类问题时，为了减小所需训练的二类SVM分类器的数目，采用“一对多”SVM策略，即，依次把某个类别的样本归为一类，其它剩余的样本归为一类，这样N个类别的样本就构造出了N个二类SVM分类器。将训练集Xk＝{x1,x2,…,xk}中的元素按照“一对多”SVM的策略送入二类SVM分类器得到N对分类结果mj(·)。具体步骤如下：
a.采用SVM算法实现水下多类目标的分类问题时，为了减小所需训练的二类SVM分类器的数目，采用“一对多”SVM策略，即，依次把某个类别的样本归为一类，其它剩余的样本归为一类，这样N个类别的样本就构造出了N个二类SVM分类器。
b.将训练集Xk＝{x1,x2,…,xk}中的元素送入二类SVM分类器，利用LIBSVM软件库，选取径向基核(Radial Basis Function,RBF)，采用交叉验证的方式进行训练每个二类SVM分类器的参数，进而训练SVM模型。
c.假设需要判别的目标类别有N个，对数据集进行分类后的混淆矩阵C可以表示成：
Figure BDA0002261658350000041
其中，cmn表示m类被分类器判断成n类的数据占第m类样本总数的百分比，m＝1,2,…,N,n＝1,2,…,N。混淆矩阵中元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性。对角线元素表示各类能被分类器正确识别的百分比，而非对角线元素则表示发生错误判断的百分比。
d.观察每个二类SVM分类器的混淆矩阵，计算采用“一对多”SVM策略的输出结果mj(·)。
第三步：计算矛盾因子K
将第二步中得到的每个二类SVM分类器的分类结果带入公式计算矛盾因子K：
Figure BDA0002261658350000042
其中，Ai表示包含所要判断的水下目标类别的集合，mj，j＝1,2,…,N表示由第二步给出的每个二类SVM分类器的分类结果，N表示用到的SVM分类器的个数。
第四步：计算每个二类SVM分类器的置信度
Figure BDA0002261658350000043
对测试集Yl＝{y1,y2,…,yl}中样本数据构成的矩阵求解矩阵行的均值
Figure BDA0002261658350000044
与标准差σl，用高斯型隶属度函数得到每个二类SVM分类器的置信度
Figure BDA0002261658350000045
Figure BDA0002261658350000046
其中，yl表示测试集构成的矩阵中任意一个样本值，
Figure BDA0002261658350000047
表示矩阵行的均值，
Figure BDA0002261658350000048
表示矩阵行的标准差。
第五步：计算每个需要判别的水下目标类别的分类正确率
利用第二步得到的每个二类SVM分类器的分类结果、第三步得到的矛盾因子K以及第四步得到的每个二类SVM分类器的置信度
Figure BDA0002261658350000051
构建置信融合规则如下：
Figure BDA0002261658350000052
其中，θi表示所要分类的多类目标的类型，Ai表示包含θi的子集。
m(θi)的数值大小就表示需要判别的水下目标的概率。
本发明一方面在利用SVM解决水下多类目标的分类问题时，可以通过计算多次交叉选择结果的均值、方差，利用高斯型隶属度函数确定用于多类分类问题的每个二类分类器的权重，即确定信度因子。另一方面，引入用于特征级融合和决策级融合的D-S证据理论，利用D-S证据理论中的Dempster组合规则来实现多个二类分类器的有效融合，从而给出整个水下多类目标的识别结果。因此，本发明能够大大提高整个水下多类分类问题的分类正确率，并基于分类正确率给出最终判决。

Claims (2)

1.一种基于可信度估计的水下多类目标分类方法，其特征在于包括以下步骤：
第一步，通过水听器录取多类目标的数据作为样本集M＝{Xk,Yl}，其中，Xk＝{x1,x2,…,xk}表示送入到SVM分类器中的训练集，Yl＝{y1,y2,…,yl}表示送入到SVM分类器中的测试集；构建水下多目标集Θ＝{θ1,θ2,…θN}，其幂集用
Figure FDA0002261658340000011
表示，其中多目标集Θ中所有目标作为样本组成样本集M，θi表示所要分类的多类目标的类型，i＝1,2,...,N，N表示需要判别的水下目标类别的类别数，
Figure FDA0002261658340000012
表示空集；
第二步，依次把某个类别的样本归为一类，其余的样本归为一类，从而构造出N个二类SVM分类器；将训练集Xk＝{x1,x2,…,xk}中的元素送入二类SVM分类器得到N对分类结果mj(·)，j＝1,2,…,N；
第三步，将第二步中得到的每个二类SVM分类器的分类结果带入公式计算矛盾因子
Figure FDA0002261658340000013
其中，Ai表示包含所要判断的水下目标类别的集合；
第四步，对测试集Yl＝{y1,y2,…,yl}中样本数据构成的矩阵求解矩阵行的均值
Figure FDA0002261658340000014
与标准差σl，用高斯型隶属度函数得到每个二类SVM分类器的置信度
Figure FDA0002261658340000015
第五步，构建置信融合规则，得到需要判别的水下目标的概率
Figure FDA0002261658340000016
其中，θi表示所要分类的多类目标的类型。
2.根据权利要求1所述的基于可信度估计的水下多类目标分类方法，其特征在于：所述的第一步中，训练集与测试集的划分是利用cvpartition函数，按照30％用于训练、70％用于测试的规则进行划分。
CN201911073397.6A 2019-11-06 2019-11-06 一种基于可信度估计的水下多类目标分类方法 Active CN110889436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911073397.6A CN110889436B (zh) 2019-11-06 2019-11-06 一种基于可信度估计的水下多类目标分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911073397.6A CN110889436B (zh) 2019-11-06 2019-11-06 一种基于可信度估计的水下多类目标分类方法

Publications (2)

Publication Number Publication Date
CN110889436A CN110889436A (zh) 2020-03-17
CN110889436B true CN110889436B (zh) 2022-07-22

Family

ID=69746946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911073397.6A Active CN110889436B (zh) 2019-11-06 2019-11-06 一种基于可信度估计的水下多类目标分类方法

Country Status (1)

Country Link
CN (1) CN110889436B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563532B (zh) * 2020-04-07 2022-03-15 西北工业大学 一种基于属性权重融合的未知目标识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254193A (zh) * 2011-07-16 2011-11-23 西安电子科技大学 基于相关向量机的多类数据分类方法
CN103093238A (zh) * 2013-01-15 2013-05-08 江苏大学 基于d-s证据理论的视觉词典构建方法
CN105467382A (zh) * 2015-12-31 2016-04-06 南京信息工程大学 基于svm的多传感器的目标跟踪数据融合算法及其系统
CN105488525A (zh) * 2015-11-27 2016-04-13 齐鲁工业大学 一种基于ds多分类器融合的水稻飞虱识别方法
CN106169084A (zh) * 2016-07-08 2016-11-30 福州大学 一种基于高斯核参数选择的svm乳腺分类方法
CN106250848A (zh) * 2016-07-29 2016-12-21 西北工业大学 一种基于多模型融合的单类水声目标识别方法
CN106951915A (zh) * 2017-02-23 2017-07-14 南京航空航天大学 一种基于类别置信度的一维距离像多分类器融合识别法
CN107958260A (zh) * 2017-10-27 2018-04-24 四川大学 一种基于多特征融合的群体行为分析方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN109460754A (zh) * 2019-01-31 2019-03-12 深兰人工智能芯片研究院（江苏）有限公司 一种水面异物检测方法、装置、设备及存储介质
CN109471942A (zh) * 2018-11-07 2019-03-15 合肥工业大学 基于证据推理规则的中文评论情感分类方法及装置
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN110084263A (zh) * 2019-03-05 2019-08-02 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
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254193A (zh) * 2011-07-16 2011-11-23 西安电子科技大学 基于相关向量机的多类数据分类方法
CN103093238A (zh) * 2013-01-15 2013-05-08 江苏大学 基于d-s证据理论的视觉词典构建方法
CN105488525A (zh) * 2015-11-27 2016-04-13 齐鲁工业大学 一种基于ds多分类器融合的水稻飞虱识别方法
CN105467382A (zh) * 2015-12-31 2016-04-06 南京信息工程大学 基于svm的多传感器的目标跟踪数据融合算法及其系统
CN106169084A (zh) * 2016-07-08 2016-11-30 福州大学 一种基于高斯核参数选择的svm乳腺分类方法
CN106250848A (zh) * 2016-07-29 2016-12-21 西北工业大学 一种基于多模型融合的单类水声目标识别方法
CN106951915A (zh) * 2017-02-23 2017-07-14 南京航空航天大学 一种基于类别置信度的一维距离像多分类器融合识别法
CN107958260A (zh) * 2017-10-27 2018-04-24 四川大学 一种基于多特征融合的群体行为分析方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN109471942A (zh) * 2018-11-07 2019-03-15 合肥工业大学 基于证据推理规则的中文评论情感分类方法及装置
CN109871884A (zh) * 2019-01-25 2019-06-11 曲阜师范大学 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN109460754A (zh) * 2019-01-31 2019-03-12 深兰人工智能芯片研究院（江苏）有限公司 一种水面异物检测方法、装置、设备及存储介质
CN110084263A (zh) * 2019-03-05 2019-08-02 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
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Novel image matching confidence fusion evaluation algorithm based on Support Vector Machine;Lamei Zou等;《MIPPR2007》;20071231;1-8 *
Underwater target multi-feature fusion recognition technology based on D-S Evidence reasoning;Peng Yuan等;《International Conference on Manufacturing Science and Engineering》;20151231;380-387 *
一种SVM-DS决策融合方法及在高铁故障中的应用;朱菲等;《计算机技术与应用》;20181231;第44卷(第7期);第127-130页，138页 *
不确定性冲突信息的融合方法研究及在故障诊断中的应用;刘哲席;《中国博士学位论文全文数据库 信息科技辑》;20150915;第2015年卷(第9期);I140-9 *

Also Published As

Publication number Publication date
CN110889436A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN108023876B (zh) 基于可持续性集成学习的入侵检测方法及入侵检测系统
Masana et al. Metric learning for novelty and anomaly detection
CN109190665B (zh) 一种基于半监督生成对抗网络的通用图像分类方法和装置
CN111814871A (zh) 一种基于可靠权重最优传输的图像分类方法
CN108304316B (zh) 一种基于协同迁移的软件缺陷预测方法
CN113076994B (zh) 一种开集域自适应图像分类方法及系统
Kozerawski et al. Clear: Cumulative learning for one-shot one-class image recognition
CN110991474A (zh) 一种机器学习建模平台
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN111488911B (zh) 基于Mask R-CNN与GAN的图像实体抽取方法
CN105930792A (zh) 一种基于视频局部特征字典的人体动作分类方法
Morales et al. LAMDA-HAD, an Extension to the LAMDA Classifier in the Context of Supervised Learning
CN103136540B (zh) 一种基于隐结构推理的行为识别方法
Imtiaz et al. A better comparison summary of credit scoring classification
CN115811440B (zh) 一种基于网络态势感知的实时流量检测方法
CN110889436B (zh) 一种基于可信度估计的水下多类目标分类方法
CN116633601A (zh) 一种基于网络流量态势感知的检测方法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
Yan et al. Optimizing cost-sensitive svm for imbalanced data: Connecting cluster to classification
CN107273914B (zh) 基于信源自适应动态选择的高效融合识别方法
Banik et al. Multi-label object attribute classification using a convolutional neural network
CN110956177A (zh) 一种混合型验证码的识别方法及系统
CN116340846A (zh) 一种弱监督下多示例多标签学习的混叠调制信号识别方法
Pereira et al. Assessing active learning strategies to improve the quality control of the soybean seed vigor
Emu et al. A novel technique to solve class imbalance problem

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