【
技術(shù)領(lǐng)域：
】本發(fā)明屬于目標(biāo)識(shí)別
技術(shù)領(lǐng)域：
，具體涉及一種局部信息與全局信息融合的目標(biāo)分類識(shí)別方法。
背景技術(shù)：
：對(duì)抗環(huán)境下的多傳感器目標(biāo)自動(dòng)識(shí)別技術(shù)在軍事領(lǐng)域中具有十分重要的作用。由于非合作目標(biāo)欺騙、干擾等手段的迅速發(fā)展，多元、異質(zhì)傳感器的不斷運(yùn)用，使得觀測(cè)信息中不確定、高沖突等特點(diǎn)日益凸顯。在此背景下，如何提高目標(biāo)識(shí)別的精度成為一個(gè)越來越重要的問題?，F(xiàn)在針對(duì)不確定觀測(cè)數(shù)據(jù)目標(biāo)識(shí)別問題的解決方法主要有多分類器融合，構(gòu)建新的分類器等。多分類器融合技術(shù)可以通過提取樣本不同的特征，使用不同的分類器，或者通過挑選不同的訓(xùn)練樣本集等方法來對(duì)分類器進(jìn)行融合來提升識(shí)別的精度。構(gòu)建新的分類器是通過創(chuàng)建新的分類器來提升分類精度。但傳統(tǒng)的分類器大都是基于全局信息，但在一些實(shí)際情況下，對(duì)于一些處于類別交叉區(qū)域的樣本，由于局部信息的不精確，初始的分類器輸出值與真值存在很大的不同，并經(jīng)常導(dǎo)致錯(cuò)分現(xiàn)象的發(fā)生，僅僅依靠全局信息的思想已經(jīng)不能滿足要求。現(xiàn)有的目標(biāo)識(shí)別方法大多僅依靠全局信息，少部分僅僅利用局部信息來實(shí)現(xiàn)目標(biāo)識(shí)別分類，這些技術(shù)方案對(duì)于處于類別交叉區(qū)域的樣本或者處于邊緣區(qū)域的樣本有一定的局限性而不能達(dá)到期望的目標(biāo)識(shí)別精度，原因是處于較難區(qū)分區(qū)域的屬性信息往往較模糊，僅利用全局信息或者局部信息難以獲得高的分類精度，僅利用全局或者局部信息顯然是不合理的。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種局部信息與全局信息融合的目標(biāo)分類識(shí)別方法，以解決現(xiàn)有技術(shù)中分類精度低、分類代價(jià)大的問題。本發(fā)明采用以下技術(shù)方案：一種局部信息與全局信息融合的目標(biāo)分類識(shí)別方法，具體包括以下步驟：步驟一、通過聚類思想提取訓(xùn)練樣本集局部信息，得到k類數(shù)據(jù)，并計(jì)算得出每類數(shù)據(jù)對(duì)應(yīng)的聚類中心，其中，k為大于0的整數(shù)；步驟二、針對(duì)步驟一中得到的每類數(shù)據(jù)中的每個(gè)數(shù)據(jù)得出其初始分類結(jié)果并對(duì)進(jìn)行修正，計(jì)算得出修正后的分類結(jié)果與真值的偏差：其中，k＝1,2,...,k，nk為第k類數(shù)據(jù)中包含的數(shù)據(jù)的個(gè)數(shù)，βk為第k類初始分類結(jié)果的修正矩陣，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)的真值，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)經(jīng)修正矩陣修正后的分類結(jié)果，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)修正后的分類結(jié)果與真值的偏差；步驟三、計(jì)算每類數(shù)據(jù)中每個(gè)數(shù)據(jù)的初始分類結(jié)果與真值的距離權(quán)重因子：其中，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)初始分類結(jié)果與真值的距離權(quán)重因子，a為懲罰系數(shù)，0<a<1；步驟四、結(jié)合步驟二和步驟三可得：根據(jù)上式可得出目標(biāo)函數(shù)：根據(jù)目標(biāo)函數(shù)得出與k類數(shù)據(jù)所對(duì)應(yīng)的k個(gè)修正矩陣β1，β2，...，βk；其中，n1＝1,2,…,n1，n2＝1,2,…,n2，nk＝1,2,…,nk，εk表示第k類數(shù)據(jù)中每個(gè)數(shù)據(jù)修正后的分類結(jié)果與其真值的偏差值加權(quán)后的和；步驟五、利用每類數(shù)據(jù)中的每個(gè)數(shù)據(jù)對(duì)其對(duì)應(yīng)的修正矩陣的修正效果進(jìn)行驗(yàn)證，當(dāng)通過修正矩陣修正后的分類結(jié)果準(zhǔn)確率高于修正前的分類結(jié)果準(zhǔn)確率，標(biāo)記該修正矩陣有效，否則標(biāo)記該修正矩陣無效；步驟六、針對(duì)目標(biāo)樣本y，通過計(jì)算y與每類數(shù)據(jù)對(duì)應(yīng)的所述聚類中心的距離來選擇對(duì)應(yīng)的修正矩陣來對(duì)該目標(biāo)樣本y的初始分類結(jié)果進(jìn)行修正，得出目標(biāo)樣本y的最終分類結(jié)果。進(jìn)一步地，步驟六中修正公式為：g′(y)＝βkt·g(y)，當(dāng)βk為有效修正矩陣時(shí)，g′(y)＝βkt·g(y)，當(dāng)βk無效時(shí)，g′(y)＝g(y)；其中，g(y)為初始分類結(jié)果，g′(y)為修正后的分類結(jié)果。本發(fā)明的有益效果是：將聚類的思想應(yīng)用到數(shù)據(jù)分類準(zhǔn)確率的提升過程中，充分挖掘訓(xùn)練集局部區(qū)域信息；將自適應(yīng)的思想應(yīng)用到修正矩陣的求取過程中，實(shí)現(xiàn)了算法的智能化；通過局部信息和全局信息相融合的分類修正方法，對(duì)分類器輸出進(jìn)行修正使分類器的識(shí)別輸出更接近真值，能夠有效的改善目標(biāo)識(shí)別的分類精度?！靖綀D說明】圖1為本發(fā)明中獲取每個(gè)聚類的修正矩陣的流程圖；圖2為本發(fā)明中獲取目標(biāo)最終分類結(jié)果的流程圖；圖3為本發(fā)明實(shí)施例中不同數(shù)據(jù)集分類結(jié)果圖?！揪唧w實(shí)施方式】下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本發(fā)明公開了一種局部信息與全局信息融合的目標(biāo)分類識(shí)別方法，結(jié)合圖1圖2所示，具體包括以下步驟：步驟一、通過聚類思想提取訓(xùn)練樣本集局部信息，并利用k均值算法得到k類數(shù)據(jù)，并計(jì)算得出每類數(shù)據(jù)對(duì)應(yīng)的聚類中心，其中，k為大于0的整數(shù)，可以根據(jù)實(shí)際情況進(jìn)行選擇；分類器在距離相近的樣本上往往具有相似的分類輸出，考慮引入聚類的思想，將訓(xùn)練樣本集通過數(shù)據(jù)聚類的方法，將相似的數(shù)據(jù)聚為一類，得到k類數(shù)據(jù)，并提取聚類得到的數(shù)據(jù)包含的信息作為先驗(yàn)信息。對(duì)于聚類得到的每類數(shù)據(jù)，將其通過分類器進(jìn)行輸出。步驟二、針對(duì)步驟一中得到的每類數(shù)據(jù)中的每個(gè)數(shù)據(jù)得出其初始分類結(jié)果分類器輸出分類結(jié)果時(shí)，目標(biāo)樣本y屬于各個(gè)類別條件概率，可以通過如下矩陣表示βc×c：其中，i＝1,...,c，j＝1,...,c，c表示樣本類別數(shù)，βij表示目標(biāo)樣本y本屬于j類但被分給i類的條件概率，明顯易知，條件概率βij的和為1，并且βij為正值，因此，βij滿足如下的約束條件：訓(xùn)練樣本利用k均值聚類得到的k類數(shù)據(jù)，聚類過程中被分為同一類的多個(gè)樣本往往非常相似，對(duì)聚類結(jié)果為k的一類樣本，我們希望獲得一個(gè)修正矩陣(即權(quán)重矩陣)來修正該類樣本的分類結(jié)果，修正后的結(jié)果表示為應(yīng)接近真值因此，對(duì)進(jìn)行修正，計(jì)算得出修正后的分類結(jié)果與真值的偏差：其中，k＝1,2,...,k，nk為第k類數(shù)據(jù)中包含的數(shù)據(jù)個(gè)數(shù)，βk為第k類初始分類結(jié)果的修正矩陣，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)的真值，為第k類中第nk個(gè)數(shù)據(jù)經(jīng)修正矩陣修正后的分類結(jié)果，為第k類數(shù)據(jù)中第nk個(gè)數(shù)據(jù)修正后的分類結(jié)果與真值的偏差，偏差值越小，則說明修正矩陣對(duì)初始分類結(jié)果修正得到的修正結(jié)果與真值差值越少，說明修正效果越好。步驟三、聚類后同一聚類樣本中，經(jīng)分類器分類后得到的初始分類結(jié)果與真值之間的差值大小不同。添加距離權(quán)重因子，希望根據(jù)不同的差值，對(duì)初始分類結(jié)果能做出不同程度的修正。當(dāng)距離差值(初始分類結(jié)果與真值的差距)越大時(shí)，說明這個(gè)樣本經(jīng)初始分類后與真值相差的仍然較多，應(yīng)當(dāng)賦予較大的權(quán)重，來對(duì)此進(jìn)行更深程度的修正，以此使得得到的修正矩陣βk更加準(zhǔn)確。計(jì)算每類數(shù)據(jù)中每個(gè)數(shù)據(jù)的初始分類結(jié)果與真值的距離權(quán)重因子：其中，為第k類中第nk個(gè)數(shù)據(jù)初始分類結(jié)果與真值的距離權(quán)重因子，a為懲罰系數(shù)，0<a<1。步驟四、初始分類結(jié)果與真值差別越大，權(quán)重因子對(duì)應(yīng)越大，將權(quán)重因子加入到修正矩陣βk的求解過程中，則結(jié)合步驟二和步驟三可得：將上述公式進(jìn)行求和便得到目標(biāo)函數(shù)，初始分類結(jié)果經(jīng)修正矩陣修正后與真值的偏差經(jīng)過加權(quán)后的偏差值進(jìn)行求和處理。則根據(jù)上式可得出目標(biāo)函數(shù)：易知期望得到的修正矩陣應(yīng)該使上述目標(biāo)函數(shù)盡可能的接近0，修正矩陣可以通過最小化目標(biāo)函數(shù)值來獲得。在實(shí)際應(yīng)用過程中，對(duì)于每一個(gè)聚類，通過選擇不同的a值，獲取對(duì)應(yīng)不同a值的修正矩陣，自適應(yīng)選擇修正效果最好的修正矩陣作為該聚類對(duì)應(yīng)的修正矩陣。通過以上的計(jì)算，得到k個(gè)聚類(k類數(shù)據(jù))分別對(duì)應(yīng)的k個(gè)修正矩陣β1，β2，...，βk；其中，n1＝1,2,…,n1，n2＝1,2,…,n2，nk＝1,2,…,nk，εk表示第k類數(shù)據(jù)中每個(gè)數(shù)據(jù)修正后的分類結(jié)果與其真值的偏差值加權(quán)后的和。步驟五、利用每類數(shù)據(jù)中的每個(gè)數(shù)據(jù)對(duì)其對(duì)應(yīng)的修正矩陣的修正效果進(jìn)行驗(yàn)證，即測(cè)試權(quán)重矩陣(修正矩陣)的修正性能，當(dāng)通過修正矩陣修正后的分類結(jié)果準(zhǔn)確率高于修正前的分類結(jié)果準(zhǔn)確率，標(biāo)記該修正矩陣有效，否則，說明該修正矩陣的修正效果不明顯，標(biāo)記該修正矩陣無效。步驟六、如圖2所示，通過以上聚類算法，將訓(xùn)練樣本聚為k類，得到對(duì)應(yīng)的每一類的聚類中心。針對(duì)目標(biāo)樣本y，通過計(jì)算y與各個(gè)聚類中心的距離來自適應(yīng)選擇對(duì)應(yīng)的修正矩陣來對(duì)該目標(biāo)樣本的初始分類結(jié)果進(jìn)行修正，得出目標(biāo)樣本y的最終分類結(jié)果。若對(duì)應(yīng)矩陣被標(biāo)記為有效，則利用該修正矩陣對(duì)分類輸出的結(jié)果值進(jìn)行修正，最終得到g′(y)＝βkt·g(y)；如果對(duì)應(yīng)的修正矩陣已被標(biāo)記為無效，則保持原始分類結(jié)果不做修正，即當(dāng)βk無效時(shí)，g′(y)＝g(y)；其中，g(y)為初始分類結(jié)果，g′(y)為修正后的分類結(jié)果。實(shí)施例：實(shí)際數(shù)據(jù)類別識(shí)別技術(shù)新提出的這種思想可以在很多分類的過程中得到應(yīng)用，具體的聚類算法和基礎(chǔ)分類器的使用通過實(shí)際要求自行選擇。通過利用真實(shí)的數(shù)據(jù)集作為測(cè)試樣本來測(cè)試本發(fā)明的作用。在本次的試驗(yàn)中，使用的基礎(chǔ)分類器分別為：naivebayesian分類器，svm分類器，和enn分類器。本發(fā)明對(duì)基礎(chǔ)分類器的輸出結(jié)果進(jìn)行優(yōu)化來獲得更好的分類結(jié)果，并提高分類的準(zhǔn)確率，降低分類的復(fù)雜度。通過uci數(shù)據(jù)庫來獲得多組實(shí)際數(shù)據(jù)集作為測(cè)試樣本通過3個(gè)基礎(chǔ)分類器分類輸出來測(cè)試本發(fā)明的性能?；緮?shù)據(jù)集的基本信息如表1所示：dataclassesattributesinstancevehicle418846banana225300page5105473satimage6366435sonar260208vertebral36310vowel1113990ilpd210583表1應(yīng)用表1所示的數(shù)據(jù)集來測(cè)試本發(fā)明的性能，對(duì)分類器的初始分類輸出進(jìn)行修正后數(shù)據(jù)分類識(shí)別的結(jié)果如表2和圖3所示，其中，圖3-1為vehicle數(shù)據(jù)集分類結(jié)果圖，圖3-2為banana數(shù)據(jù)集分類結(jié)果圖，圖3-3為page數(shù)據(jù)集分類結(jié)果圖，圖3-4為satimage數(shù)據(jù)集分類結(jié)果圖，圖3-5為sonar數(shù)據(jù)集分類結(jié)果圖，圖3-6為vertebral數(shù)據(jù)集分類結(jié)果圖，圖3-7為vowel數(shù)據(jù)集分類結(jié)果圖，圖3-8為ilpd數(shù)據(jù)集分類結(jié)果圖。表2當(dāng)前第1頁12