[發明專利]一種基于支持向量機的識別系統及識別方法

在審

• 申請號: 201710758761.7
• 申請日: 2017-08-29
• 公開（公告）號: CN107688829A
• 公開（公告）日: 2018-02-13
• 發明（設計）人: 屈喜龍;焦姸;黃麗蓉;李欣;彭慧;孫光;李博;黃會群
• 申請（專利權）人: 湖南財政經濟學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京國坤專利代理事務所(普通合伙)11491
• 代理人: 黃耀鈞

技術領域

本發明屬于支持向量機領域，尤其涉及一種基于支持向量機的識別系統及識別方法。

背景技術

支持向量機是在統計學習理論的基礎上發展起來的一種新的機器學習方法，它是建立在統計學習理論的VC維理論和結構風險最小化原則上的，避免了局部極小點，并能有效地解決過學習問題，具有良好的推廣性能和較好的分類精確性。支持向量機在解決小樣本、非線性及高維模式識別問題中表現出的許多特有的優勢，使它成為一種優秀的機器學習算法。支持向量機目前已經廣泛地應用于模式識別、回歸估計、概率密度估計等各個領域。不僅如此,支持向量機的出現推動了基于核的學習方法(Kernel-based Learning Methods)的迅速發展,該方法使得研究人員能夠高效地分析非線性關系,而這種高效率原先只有線性算法才能得到。

綜上所述，現有技術存在的問題是：支持向量機需要處理大量數據，然而對圖像數據處理不夠準確，精度不高，效果不佳；同時對于相似數據的識別性能不高。

發明內容

針對現有技術存在的問題，本發明提供了一種基于支持向量機的識別系統及識別方法，

本發明是這樣實現的，一種基于支持向量機的識別系統包括：基于支持向量機的識別系統，所述基于支持向量機的識別系統包括：數據訓練集獲取模塊，圖像數據差值處理模塊，樣本選取模塊，分類模型生產模塊，數據識別模塊；

數據訓練集獲取模塊：用于獲取數據樣本訓練集；數據樣本訓練集中包含有多個類別的數據樣本集合，每個類別的數據樣本集合中包含多個數據樣本；

圖像數據差值處理模塊：對數據訓練集中的圖像數據進行插值計算處理，提高圖像數據的準確性和圖片的精度，獲得更佳的圖像性能；

所述圖像數據差值處理模塊對圖像進行n次小波變換并保留小波變換后低頻部分的子圖像，則子圖像的寬度與高度均為原圖像的子圖像面積為原圖像面積的在子圖像內進行匹配；采用歸一化互相關度量方法，在子圖像上遍歷搜索，搜索過程中保留幾個相似度較高的匹配點；搜索結束后，將相似度較高的匹配點映射到原始待匹配圖像的搜索子區域中；

所述歸一化互相關度量方法的公式如下：

S(x,y)表示原始待匹配圖像中坐標位置為(x,y)處像素點的灰度值，T(u,v)表示模板圖像中坐標位置為(u,v)處像素點的灰度值，模板圖像大小為m×n；

樣本選取模塊：用于執行選取同類樣本和異類樣本的步驟：對于數據樣本訓練集中的每一個數據樣本，隨機選取k個與該數據樣本屬于同一個類別的數據樣本作為同類樣本，隨機選取k個與該數據樣本屬于不同類別的數據樣本作為異類樣本；

所述樣本選取模塊數據融合中心對收集到的感知信息進行數據融合，并依據惡意節點的惡意攻擊模式計算全局的虛警概率；

第一步，根據各個節點的信噪比γ_i為每一個參與合作感知的次級用戶CR_i,i＝1…k設計一個權重然后對收集得到的信號能量統計量U_i進行線性加權得到最終的信號能量的統計量

第二步，分析虛警惡意攻擊模式對頻譜感知造成的影響，得到全局虛警概率P_f和攻擊概率p_a、攻擊閾值η、攻擊強度Δ之間的函數表達式如下：

其中：

分類模型生產模塊：用于對于差樣本對集合，采用支持向量機訓練得到相似性判斷模型，根據相似性判斷模型得到分類模型；

數據識別模塊包括：待識別數據樣本獲取單元，用于獲取待識別數據樣本；待識別差樣本對集合生成單元，用于分別從數據訓練集每一類別的樣本集合中隨機選取k個數據樣本，生成2k個待識別差樣本對，得到待識別差樣本對集合；相似性概率計算單元，用于利用分類模型對待識別差樣本對集合進行分析，得到待識別數據樣本與數據訓練集中每一類的相似性概率；類別確定單元，用于根據所述相似性概率，確定所述待識別數據樣本歸屬的類別；

所述數據識別模塊的抗RSD攻擊盲檢測數字指紋方法的具體步驟如下：

指紋數據幀的生成；利用分組移位置亂算法對指紋信息進行加密；采用幀編碼技術處理指紋信息，獲得指紋數據幀；