[發明專利]基于PCA_LDA分析的多譜圖特征融合識別方法

有效

• 申請號: 201310098307.5
• 申請日: 2013-03-25
• 公開（公告）號: CN103198331B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 王海燕;劉軍;王國祥;姜九英
• 申請（專利權）人: 江蘇易譜恒科技有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 許方

1.一種基于PCA_LDA分析的多譜圖特征融合識別方法，其特征在于，包括如下具體步驟：

步驟（1）：采集n個樣本，設定n個樣本屬于c種類別，對每一個樣本選取m個不同譜圖，利用PCA_LDA方法提取所有樣本的譜圖特征，并將提取得所有樣本的譜圖特征融合為多譜融合特征矩陣；

步驟（2）：利用步驟（1）中的多譜融合特征矩陣建立多譜融合SVM分類器；

步驟（3）：利用步驟（2）中建立的多譜融合SVM分類器對步驟（1）中采集的樣本進行識別。

2.根據權利要求1所述的基于PCA_LDA分析的多譜圖特征融合識別方法，其特征在于，所述步驟（1）包括如下具體處理：

步驟（11）：標記第i個樣本的訓練樣本集數據為第i個樣本的m維數據集向量為則所有樣本的n×m原始數據矩陣為其中，i=1,2,3…n，l_i定義為的類別標簽；

步驟（12）：利用步驟（21）中的原始數據矩陣X和如下公式計算類內離差矩陣S_w：

Sw=Σg=1cΣp=1ng(x→pg-t→xg)T·(x→pg-t→xg)]]>

其中，n_g表示第g類的樣本個數，定義為第g類的樣本的均值向量，g=1,2,3…c，定義為第g類樣本中的第p個樣本的向量，T定義為矩陣轉置，p=1,2,3…n_g；

步驟（13）：利用步驟（21）中的原始數據矩陣X和如下公式計算類間離差矩陣S_b：

Sb=Σg=1c(d→xg-d→x)T·(d→xg-d→x)]]>

其中，定義為所有樣本的均值向量，定義為第g類樣本的均值向量；

步驟（14），利用步驟（22）和步驟（23）中的S_w、S_b和公式計算特征值λ₁,λ₂,…,λ_c-1及特征值所對應的特征向量并得到投影矩陣WLDA=[e→1T,e→2T,···e→c-1T];]]>

步驟（15）：對步驟（24）中的投影矩陣W_LDA進行PCA降維處理，得到PCA投影矩陣W_PCA，再將PCA投影矩陣W_PCA投影到q維空間中，得到q維空間特征矩陣X_PCA，其中，X_PCA=X·W_PCA；

步驟（16）：將W_LDA、W_PCA和X_PCA利用如下公式完成最終的特征提取：

∂=XPCA·WLDA=X·WPCA·WLDA]]>

則m個不同譜圖的投影后特征矩陣分別為其中，定義為投影后的特征矩陣；

步驟（17）：利用公式將第i個樣本的不同圖譜投影后特征矩陣進行融合處理得到第i個樣本的多譜融合特征矢量，并對所有的樣本進行同樣的融合處理，得到所有樣本的多譜融合特征矩陣其中，定義投影后的特征矩陣矢量，為θ_f定義為第f種圖譜的組合系數，f=1,2,3…m。

3.根據權利要求2所述的基于PCA_LDA分析的多譜圖特征融合識別方法，其特征在于，所述步驟（2）包括如下具體處理：

步驟（21）：將步驟（17）中得到的多譜融合特征矩陣代入如下函數：

az*=max(Σz=1naz-Σz=1nΣj=1naz·aj·lz·lj·k(α→z,α→j)),s.t.Σx=1naz·lz=0,az≥0,]]>求得時的支持向量其中，z=1,2,3…n，j=1,2,3…n，定義為第z個樣本多譜融合特征矢量的最優化函數；

步驟（22）：利用步驟（22）得到的支持向量和如下公式求得第z個樣本多譜融合特征矢量的偏執量b^*_z：

b*z=lz-Σj=1nlj·aj*·k(α→z,α→j);]]>

步驟（23）：步驟（22）得到的偏執量b^*_z和支持向量代入如下函數中：

其中，k(,)定義為支持向量機的核運算，即為SVM分類器的判別函數。