專利名稱：一種基于多視的水下目標分類系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明屬于水聲信號處理領(lǐng)域，具體涉及一種基于多視的水下目標分類系統(tǒng)及方法。
背景技術(shù)：
水下目標分類技術(shù)是現(xiàn)代聲納系統(tǒng)與水聲對抗的一個重要組成部分，是聲納后置數(shù)據(jù)處理的一個重要環(huán)節(jié)。水下目標的分類識別技術(shù)一直受到眾多學者、研究人員的關(guān)注，但其發(fā)展相對緩慢，是國內(nèi)外公認的難題。一方面由于涉及軍事，各國對研究成果保密，相關(guān)技術(shù)報告很少；更重要的是復(fù)雜的水下背景環(huán)境對目標識別造成嚴重的干擾。如水質(zhì)混濁造成的可見度低，水下氣泡和浮游顆粒物造成的混響的影響，復(fù)雜的傳輸信道等等。 我國在水下目標分類識別領(lǐng)域的研究較國外相對落后，在多視分類和識別技術(shù)方向上的研究更為稀少。目前國內(nèi)學者對于多視數(shù)據(jù)的使用還比較簡單的停留在圖像融合、速度估計等方向上，如715所的汪素萍，丁烽等的研究。而在水下目標分類識別方向上的研究和應(yīng)用則幾乎空白。即目前國內(nèi)的水下目標的分類識別都是基于單視的水下目標分類識另IJ，對于多視在水下目標檢測的相關(guān)應(yīng)用未見記載。國外學者對這個方向的研究開展的早一些，大概從20世紀末21世紀初開始，可以在一些公開的刊物上見到這方面的研究成果。但是未見過有關(guān)基于多視的水下目標分類識別的技術(shù)實現(xiàn)手段的相關(guān)記載被國外公開過。多視即通過多部聲納或多個信息源進行空間多方位的數(shù)據(jù)采集，利用多源信息的融合技術(shù)，作為水下目標分類識別系統(tǒng)中特征提取的信息來源，增加目標特征矢量的維數(shù)，進而可以改善信息的置信度，增強系統(tǒng)的容錯能力和自適應(yīng)能力，改進分類識別系統(tǒng)的性倉泛。

發(fā)明內(nèi)容
本發(fā)明的目的在于，為克服國內(nèi)現(xiàn)有技術(shù)采用的水下目標識別分類系統(tǒng)均基于單視輸入數(shù)據(jù)，這樣的單視輸入數(shù)據(jù)和針對單視數(shù)據(jù)設(shè)計的分類系統(tǒng)和分類方法會導(dǎo)致對水下目標識別分類的效果不好，雖然國外有基于多視輸入數(shù)據(jù)的水下目標的分類系統(tǒng)，但是這樣的分類識別及其設(shè)計過程并未見記載過，因此為了提高對水下目標的識別分類的準確率本發(fā)明提供一種基于多視的水下目標識別分類系統(tǒng)及方法。為實現(xiàn)上述目的，本發(fā)明一種基于多視的水下目標識別分類系統(tǒng)，該系統(tǒng)輸入的數(shù)據(jù)為多角度照射目標得到的多視數(shù)據(jù)，包含數(shù)據(jù)獲取和預(yù)處理模塊，用于獲取待分類目標的多視數(shù)據(jù)并對其進行預(yù)處理；特征提取模塊，用于將預(yù)處理后的多視數(shù)據(jù)的采用特征算法進行特征提?。环诸惻袥Q模塊，該模塊進一步包含若干并聯(lián)的隱馬爾可夫分類器模型和一比較判決模塊，所述各隱馬爾可夫分類器模型的計算結(jié)果都輸出到所述的比較判別模塊，該判決模塊的輸出結(jié)果作為針對該目標的最終的分類結(jié)果。
上述技術(shù)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進行特征提取的步驟為I)對預(yù)處理后的采集的多視數(shù)據(jù)進行頻域變換；2)計算多視數(shù)據(jù)包含的每一個角度采集的數(shù)據(jù)的頻譜能量Ei ；3)計算所有多視數(shù)據(jù)數(shù)據(jù)的平均頻譜能量MEAN(E)；4)計算某一角度采集數(shù)據(jù)的數(shù)據(jù)對應(yīng)的回波能量特征量e i = (Ei-MEAN(E))2,得到該角度回波能量的特征量； 5)判斷是否得到所有照射角度對應(yīng)的數(shù)據(jù)的回波能量特征量，如果否則返回步驟
2);如果是則完成特征提取?？蛇x的，所述適合多視數(shù)據(jù)的特征算法可采用基于多視的典型相關(guān)分析算法；所述基于多視的典型相關(guān)分析算法進行特征提取的步驟為I)對多視數(shù)據(jù)中每個角度的數(shù)據(jù)進行小波包分解，得到一個特征量組lv"bn ；2)對得到的特征量組Ivbn進行多維典型相關(guān)分析計算，得到多視典型相關(guān)分析算法的特征量a^-an ；3)計算新的組合特征量W=，即完成了多視數(shù)據(jù)的特征提取。
Kanj所述隱馬爾可夫模型公式為M = (S，C，，A，B)，所述獲取若干并聯(lián)的隱馬爾可夫分類器模型步驟為I)確定一個具體的真目標或假目標的隱馬爾可夫分類器模型；2)針對每一個不同的真、假目標都要建立獨立的分類器模型，根據(jù)樣本數(shù)據(jù)的采集，對每一個目標種類的樣本數(shù)據(jù)采用步驟I)建立起其對應(yīng)的隱馬爾可夫分類器模型；3)將樣本訓(xùn)練得到的所有具體分類器模型進行整合，形成最終分類器。所述確定一個具體的真目標或假目標的隱馬爾可夫分類器模型進一步包含如下步驟I)確定隱馬爾可夫模型公式中包含的S和C對應(yīng)的實際物理意義S= (S1，…，sN}是HMM中的隱藏狀態(tài)，對應(yīng)于水下目標的實際狀態(tài)；u = {^，…，uK}，UkGC是HMM中的觀察狀態(tài)，對應(yīng)于試驗采集的多視數(shù)據(jù)；2)根據(jù)樣本數(shù)據(jù)通過最大似然估計得到、A和B三個參數(shù)= (Ji1,…，J是初始狀態(tài)概率分布，A[NXN]和B[KXN]分別是狀態(tài)轉(zhuǎn)移概率矩陣和混淆概率矩陣，根據(jù)鮑姆-威爾士算法，計算三個參數(shù)的最大似然估計
_ — 2如.,_7) 一 Pt(l)Ttl = Y1 (0 Cilj = ^^ {k) = s^°,=Vl
t=\ t=\
9o基于以上技術(shù)方案描述的系統(tǒng)，本發(fā)明還提供一種基于多視的水下目標識別分類方法，包含數(shù)據(jù)獲取和預(yù)處理的步驟，用于接收待分類的目標包含的多視數(shù)據(jù)并對這些多視數(shù)據(jù)進行預(yù)處理；特征提取的步驟，該步驟對所述預(yù)處理后的多視數(shù)據(jù)進行特征提取；其中特征提取采用基于回波能量的算法；將待測目標的特征向量分別輸入分類器系統(tǒng)中若干并聯(lián)的隱馬爾可夫分類器中的每一個獨立的隱馬爾可夫分類器模型；所述每個分類器模型根據(jù)各自的參數(shù)，通過維特比算法計算測試數(shù)據(jù)在當前模型的似然概率；比較所有分類器模型的計算結(jié)果，取最大值的分類器模型作為判決結(jié)果。上述技術(shù)方案中，所述特征提取的步驟為I)頻域變換的步驟對預(yù)處理后的采集的多視數(shù)據(jù)進行頻域變換；2)計算頻譜能量的步驟計算多視數(shù)據(jù)包含的每一個角度采集的數(shù)據(jù)的頻譜能量& ； 3)計算平均頻譜能量的步驟計算所有多視數(shù)據(jù)數(shù)據(jù)的平均頻譜能量MEAN(E)；4)計算回波能量特征量的步驟計算某一角度采集數(shù)據(jù)的數(shù)據(jù)對應(yīng)的回波能量特征量Si= (Ei-MEAN(E))2,得到該角度回波能量的特征量；5)判斷是否提取完成的步驟判斷是否得到所有照射角度對應(yīng)的數(shù)據(jù)的回波能量特征量，如果否則返回步驟2);如果是則完成特征提取。所述特征提取的步驟為I)計算小波包分解特征量的步驟對多視數(shù)據(jù)中每個角度的數(shù)據(jù)進行小波包分解，得到一個特征量組Iv-bn ；2)計算多維相關(guān)分析特征量的步驟對得到的特征量組Ivbn進行多維典型相關(guān)分析計算，得到多視典型相關(guān)分析算法的特征量af-an ；
M3)特征量組合的步驟計算新的組合特征量『=，即完成了多視數(shù)據(jù)的特征
Kanj提取。所述分類的步驟為I)輸入特征向量的步驟將待測目標的特征向量分別輸入分類器系統(tǒng)中的每一個獨立的隱馬爾可夫分類器模型；2)計算似然概率的步驟每個分類器模型根據(jù)各自的參數(shù)，通過維特比算法計算測試數(shù)據(jù)在當前模型的似然概率；3)比較判決的步驟比較所有分類器模型的計算結(jié)果，取最大值的分類器模型作為判決結(jié)果。本發(fā)明的優(yōu)點在于，給出了基于多視輸入數(shù)據(jù)的水下目標分類系統(tǒng)的設(shè)計方法和該方法設(shè)計的水下分類器系統(tǒng)的組成結(jié)構(gòu)及在一次具體分類時的工作方法，這種基于多視數(shù)據(jù)建立的水下目標分類系統(tǒng)可提高對水下目標的識別分類的準確率。此外，本發(fā)明在設(shè)計分類器系統(tǒng)和采用分類其系統(tǒng)進行分類時所采用的特征提取算法和分類器模型能很好的解決對多視數(shù)據(jù)的處理，使基于多角度照射水下目標的水下目標分類系統(tǒng)得以實現(xiàn)。


圖I是現(xiàn)有技術(shù)的模式識別系統(tǒng)的組成框圖；圖2是本發(fā)明提供的基于回波能量算法設(shè)計的特征提取模塊的組成框圖3是本發(fā)明提供的基于多視的典型相關(guān)分析方法(CCA)設(shè)計的特征提取模塊的組成框圖；圖4-a是本發(fā)明提供的基于隱馬爾可夫模型(HMM)的得到的分類器組成框圖；圖4-b是本發(fā)明的在具體分類中隱馬爾可夫模型的分類判決器的工作示意圖；圖5為本分明的一種基于多視的水下目標分類方法的流程圖；圖6為本發(fā)明的基于回波能量算法進行特征提取的流程圖；圖7為本發(fā)明基于多視的典型相關(guān)分析方法(CCA)特征提取的步驟流程圖；
圖8為本發(fā)明采用隱馬爾可夫模型(HMM)的進行分類器模型設(shè)計的流程圖；圖9是用于驗證本發(fā)明的多視分類器技術(shù)效果的試驗中所使用的真假目標的圖片。
具體實施例方式下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細的說明?；诙嘁暤乃履繕朔诸惙椒▽儆谀Ｊ阶R別的范疇，根據(jù)模式識別系統(tǒng)的組成，本發(fā)明涉及的一個完整的水下目標分類系統(tǒng)包括數(shù)據(jù)的獲取和預(yù)處理、特征提取、分類器設(shè)計以及分類判決四個部分。水下目標的分類識別系統(tǒng)中，聲納傳感器采集的數(shù)據(jù)是其研究的對象，通常是一維波形或者是二維圖像。為了便于計算機運算處理，經(jīng)過測量、采樣和量化，可以用矩陣或者向量的形式表示。預(yù)處理的作用一是提高數(shù)據(jù)的質(zhì)量，比如運用一些數(shù)字信號處理的方法進行降噪等，另一個作用是對樣本集進行分類，并對野值進行剔出等。這一部分不是本發(fā)明的重點，因此不過多闡述，后文提到的數(shù)據(jù)都視為經(jīng)過預(yù)處理之后得到的數(shù)據(jù)。傳感器的測量信號很少直接進行分類識別，即由于測量數(shù)據(jù)信息比較冗余，使得分類器設(shè)計復(fù)雜化，運算量增加，卻沒有帶來實質(zhì)的效果提升，也由于直接測量信號中噪聲的存在導(dǎo)致分類識別的難度增加。特征提取就是對原始數(shù)據(jù)進行變換，得到最能反映目標分類信息的本質(zhì)特征。通常情況還可以把高維測量空間中表示的目標，變?yōu)榈途S特征空間中表示的目標，降低運算量與分類器設(shè)計的復(fù)雜度。分類器的作用就是在特征空間中將被識別對象歸為某一類型。其基本的設(shè)計方法就是在樣本訓(xùn)練集的基礎(chǔ)上確定某個判決規(guī)則，按照這個判決規(guī)則對被識別對象進行分類所造成的錯誤識別率最小或引起的損失最小。分類判決就是利用設(shè)計好的分類器對未知類別的樣本進行分類的過程。如圖I所示，該圖是基于多視的水下目標分類方法的系統(tǒng)結(jié)構(gòu)示意圖。本發(fā)明方法基于現(xiàn)有的模式識別系統(tǒng)的組成，該模式識別系統(tǒng)包含設(shè)計分類器系統(tǒng)和采用該分類器系統(tǒng)進行分類判決的整體策略，且該識別系統(tǒng)基于多角度照射水下物體形成的所示數(shù)據(jù)，現(xiàn)有技術(shù)的模式識別系統(tǒng)包含具體包含數(shù)據(jù)的獲取和預(yù)處理模塊、特征提取模塊、分類器設(shè)計模塊以及分類判決模塊四個部分。其中采用數(shù)據(jù)的獲取和預(yù)處理模塊、特征提取模塊、分類器設(shè)計模塊可以建立基于若干組真假目標的隱馬爾可夫分類器組成的分類系統(tǒng)，該系統(tǒng)首先接受輸入的待分類目標的特征提取得到的數(shù)據(jù)，然后將這些信息輸入建立的若干組真假目標的隱馬爾可夫分類器組成的分類系統(tǒng)，該分類系統(tǒng)將不同分類器各自的輸出結(jié)果采用比較判決的方式進行再處理，得到該目標最終的分類結(jié)果。
本發(fā)明提供的基于多視的水下目標識別分類系統(tǒng)和設(shè)計流程如下設(shè)計數(shù)據(jù)獲取和預(yù)處理模塊的步驟，用于獲取多視的樣本數(shù)據(jù)，并進行預(yù)處理，其中在設(shè)計分析器系統(tǒng)時所述樣本數(shù)據(jù)取自若干組樣本，每一組樣本均包含一真目標和若干假目標； 設(shè)計特征提取模塊的步驟，該步驟采用針對多視數(shù)據(jù)的特征算法對所述預(yù)處理后的多視數(shù)據(jù)進行特征提?。辉O(shè)計分類判決器的步驟，首先，用隱馬爾可夫模型設(shè)計若干個并聯(lián)的分類器模型；然后，設(shè)計比較判決子模塊；其中，所述并聯(lián)分類器模型的計算結(jié)果輸出到所述比較判別子模塊，該判決模塊的輸出結(jié)果作為分類器最終的分類結(jié)果；此外，所述設(shè)計數(shù)據(jù)獲取和預(yù)處理模塊的步驟包含的若干組樣本數(shù)據(jù)的組數(shù)和所述設(shè)計分類判決器的步驟包含的若干個并聯(lián)的分類器的個數(shù)相等。整個基于多視的水下目標分類方法的工作流程如圖5所示。數(shù)據(jù)的獲取和預(yù)處理在試驗過程以及前期的采用現(xiàn)有的技術(shù)進行處理來完成，本發(fā)明不涉及這一部分的內(nèi)容。特征提取、分類器設(shè)計和分類判決三個步驟中所使用的試驗數(shù)據(jù)默認為已經(jīng)過預(yù)處理。特征提取步驟本文基于兩種不同算法提出了兩種方法。第一種特征提取方法基于回波能量的多視數(shù)據(jù)特征提取。如圖2所示，包含三個子模塊單根譜線能量生成子模塊，用于計算頻帶內(nèi)的單譜線對應(yīng)的能量值；回波能量生成子模塊，用于計算頻帶內(nèi)的所有單譜線的能量和；特征向量生成子模塊，用于生成基于多視的回波能量特征值。詳細描述如下處理流程如圖6所示首先，進行回波能量定義，公式為E = ^jESEj-Sf
；=1其中，ESEj表示為單根譜線能量，S f表示為頻率采樣間隔，n表示頻帶內(nèi)的譜線
數(shù)量；然后，多視數(shù)據(jù)按照不同角度采集的試驗數(shù)據(jù)，對每個角度的數(shù)據(jù)計算回波能量，再按照角度進行排列顯示，目標數(shù)據(jù)的特征曲線有明顯變化趨勢；噪聲數(shù)據(jù)的特征曲線沒有角度差異性。最后，借鑒方差的概念得到特征量的定義式如下e J = (Ei-MEAN (E))2其中Ei為第i個角度所采集數(shù)據(jù)的頻譜能量，MEAN(E)為多視數(shù)據(jù)所有角度采集數(shù)據(jù)的頻譜能量的平均值，i的取值范圍為i的取值范圍為l_n，n為多視數(shù)據(jù)采集角度的個數(shù)。多視數(shù)據(jù)中所有采集角度的^形成一個特征量e = (S1，…en}，就是所需提取的特征。第二種特征提取方法基于多視的典型相關(guān)分析方法(CCA)特征提取，其改進之處在于將現(xiàn)有的典型相關(guān)分析方法(CCA) 二維擴展到多維，該多維維數(shù)與多視的照射角度數(shù)相同。如圖3所示，包含三個子模塊小波特征生成模塊用于對多視數(shù)據(jù)中每個角度的數(shù)據(jù)進行小波包分解，得到特征量組Ivbn ;多維CCA特征生成模塊用于對得到的特征量組V"bn進行多維CCA計算，得到多視CCA算法的特征量van;組合特征向量生成模塊用于計算新的組合特征量W=。所述的改進的基于多視的典型相關(guān)分析方法(CCA)特征
Kanj
提取包含如下步驟首先，對多視數(shù)據(jù)進行小波包分解，得到n個小波特征量b1 = [bn,…，b1M]T...bn = [bnl, ...,1 ]1其次，對小波特征在到an方向上投影，使得U1 = H^b1 = anbn+…+a1Mb1M..，.un = an\ = anlbnl+... +a^b^IVUn之間的相關(guān)性定義為
權(quán)利要求
1.一種基于多視的水下目標識別分類系統(tǒng)，該系統(tǒng)輸入的數(shù)據(jù)為多角度照射目標得到的多視數(shù)據(jù)，包含 數(shù)據(jù)獲取和預(yù)處理模塊，用于獲取待分類目標的多視數(shù)據(jù)并對其進行預(yù)處理； 特征提取模塊，用于將預(yù)處理后的多視數(shù)據(jù)的采用特征算法進行特征提??； 分類判決模塊，該模塊進一步包含若干并聯(lián)的隱馬爾可夫分類器模型和一比較判決模塊，所述各隱馬爾可夫分類器模型的計算結(jié)果都輸出到所述的比較判別模塊，該判決模塊的輸出結(jié)果作為針對該目標的最終的分類結(jié)果。
2.根據(jù)權(quán)利要求I所述的基于多視的水下目標識別分類方法，其特征在于，所述特征提取采用基于回波能量的算法。
3.根據(jù)權(quán)利要求I或2所述的基于多視的水下目標識別分類方法，其特征在于，所述基于回波能量算法進行特征提取的步驟為 1)對預(yù)處理后的采集的多視數(shù)據(jù)進行頻域變換； 2)計算多視數(shù)據(jù)包含的每一個角度采集的數(shù)據(jù)的頻譜能量Ei； 3)計算所有多視數(shù)據(jù)數(shù)據(jù)的平均頻譜能量MEAN(E)； 4)計算某一角度采集數(shù)據(jù)的數(shù)據(jù)對應(yīng)的回波能量特征量Si= (Ei-MEAN(E))2,得到該角度回波能量的特征量； 5)判斷是否得到所有照射角度對應(yīng)的數(shù)據(jù)的回波能量特征量，如果否則返回步驟2)；如果是則完成特征提取。
4.根據(jù)權(quán)利要求I所述的基于多視的水下目標識別分類方法，其特征在于，所述適合多視數(shù)據(jù)的特征算法可采用基于多視的典型相關(guān)分析算法。
5.根據(jù)權(quán)利要求I或4所述的基于多視的水下目標識別分類方法，其特征在于，所述基于多視的典型相關(guān)分析算法進行特征提取的步驟為 1)對多視數(shù)據(jù)中每個角度的數(shù)據(jù)進行小波包分解，得到一個特征量組Ivbn； 2)對得到的特征量組Ivbn進行多維典型相關(guān)分析計算，得到多視典型相關(guān)分析算法的特征量a^“an ； 3)計算新的組合特征量W=，即完成了多視數(shù)據(jù)的特征提取。
Kanj
6.根據(jù)權(quán)利要求I所述的基于多視的水下目標識別分類方法，所述隱馬爾可夫模型公式為M = (S，C，n,k, B);其特征在于，所述獲取若干并聯(lián)的隱馬爾可夫分類器模型步驟為 1)確定一個具體的真目標或假目標的隱馬爾可夫分類器模型； 2)針對每一個不同的真、假目標都要建立獨立的分類器模型，根據(jù)樣本數(shù)據(jù)的采集，對每一個目標種類的樣本數(shù)據(jù)采用步驟I)建立起其對應(yīng)的隱馬爾可夫分類器模型； 3)將樣本訓(xùn)練得到的所有具體分類器模型進行整合，形成最終分類器。
7.根據(jù)權(quán)利要求6所述的基于多視的水下目標識別分類方法，其特征在于，所述確定一個具體的真目標或假目標的隱馬爾可夫分類器模型進一步包含如下步驟 I)確定隱馬爾可夫模型公式中包含的S和C對應(yīng)的實際物理意義 S= {s1;…，SnI是HMM中的隱藏狀態(tài),對應(yīng)于水下目標的實際狀態(tài)；U = (U1,…，uK}，UkGC是HMM中的觀察狀態(tài)，對應(yīng)于試驗采集的多視數(shù)據(jù)； .2)根據(jù)樣本數(shù)據(jù)通過最大似然估計得到、A和B三個參數(shù) Ji = (Ji1,…，Jij是初始狀態(tài)概率分布，A[NXN]和B[KXN]分別是狀態(tài)轉(zhuǎn)移概率矩陣和混淆概率矩陣， 根據(jù)鮑姆-威爾士算法，計算三個參數(shù)的最大似然估計
8.一種基于多視的水下目標識別分類方法，該方法基于權(quán)利要求I所設(shè)計的分類系統(tǒng)，包含 數(shù)據(jù)獲取和預(yù)處理的步驟，用于接收待分類的目標包含的多視數(shù)據(jù)并對這些多視數(shù)據(jù)進行預(yù)處理； 特征提取的步驟，該步驟對所述預(yù)處理后的多視數(shù)據(jù)進行特征提取；其中特征提取采用基于回波能量的算法； 將待測目標的特征向量分別輸入分類器系統(tǒng)中若干并聯(lián)的隱馬爾可夫分類器中的每一個獨立的隱馬爾可夫分類器模型； 所述每個分類器模型根據(jù)各自的參數(shù)，通過維特比算法計算測試數(shù)據(jù)在當前模型的似然概率； 比較所有分類器模型的計算結(jié)果，取最大值的分類器模型作為判決結(jié)果。
9.根據(jù)權(quán)利要求8所述的基于多視的水下目標識別分類方法，其特征在于，所述特征提取的步驟為 .1)頻域變換的步驟對預(yù)處理后的采集的多視數(shù)據(jù)進行頻域變換；.2)計算頻譜能量的步驟計算多視數(shù)據(jù)包含的每一個角度采集的數(shù)據(jù)的頻譜能量Ei； .3)計算平均頻譜能量的步驟計算所有多視數(shù)據(jù)的平均頻譜能量MEAN(E)； .4)計算回波能量特征量的步驟計算某一角度采集數(shù)據(jù)的數(shù)據(jù)對應(yīng)的回波能量特征量εi= (Ei-MEAN(E))2,得到該角度回波能量的特征量； .5)判斷是否提取完成的步驟判斷是否得到所有照射角度對應(yīng)的數(shù)據(jù)的回波能量特征量，如果否則返回步驟2);如果是則完成特征提取。
10.根據(jù)權(quán)利要求8所述的基于多視的水下目標識別分類方法，其特征在于，所述特征提取的步驟為 .1)計算小波包分解特征量的步驟對多視數(shù)據(jù)中每個角度的數(shù)據(jù)進行小波包分解，得到一個特征量組Iv-bn ； . 2)計算多維相關(guān)分析特征量的步驟對得到的特征量組b1…bn進行多維典型相關(guān)分析計算，得到多視典型相關(guān)分析算法的特征量a1……an ； .3)特征量組合的步驟計算新的組合特征量
11.根據(jù)權(quán)利要求8所述的基于多視的水下目標識別分類方法，其特征在于，所述特征提取的步驟為 1)輸入特征向量的步驟將待測目標的特征向量分別輸入分類器系統(tǒng)中的每一個獨立 的隱馬爾可夫分類器模型； 2)計算似然概率的步驟每個分類器模型根據(jù)各自的參數(shù)，通過維特比算法計算測試數(shù)據(jù)在當前模型的似然概率； 3)比較判決的步驟比較所有分類器模型的計算結(jié)果，取最大值的分類器模型作為判決結(jié)果。
全文摘要
本發(fā)明涉及一種基于多視的水下目標識別分類系統(tǒng)及方法，該方法基于模式識別系統(tǒng)且該系統(tǒng)的輸入數(shù)據(jù)為多角度照射目標物體得到的多視數(shù)據(jù)，包含數(shù)據(jù)獲取和預(yù)處理的步驟，用于接收輸入的多視數(shù)據(jù)對多視數(shù)據(jù)進行預(yù)處理；特征提取的步驟，該步驟采用適合多視數(shù)據(jù)的特征算法對所述預(yù)處理后的多視數(shù)據(jù)進行特征提??；分類器設(shè)計的步驟，該步驟用隱馬爾可夫模型進行分類器的設(shè)計；分類判決的步驟，用于對從所述多視數(shù)據(jù)中提取的特征輸入所述分類器進行判決，得到分類結(jié)果。通過多部聲納或多個信息源進行空間多方位的數(shù)據(jù)采集，作為水下目標分類系統(tǒng)中特征提取的信息來源，增加目標特征矢量的維數(shù)，改善信息的置信度。
文檔編號G06K9/62GK102760235SQ20111010361
公開日2012年10月31日 申請日期2011年4月25日 優(yōu)先權(quán)日2011年4月25日
發(fā)明者張揚帆, 張春華, 李昌志, 田杰 申請人:中國科學院聲學研究所