[發明專利]一種基于多模型改進的Stacking集成學習魚類識別方法

有效

• 申請號: 201910524947.5
• 申請日: 2019-06-18
• 公開（公告）號: CN110414554B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 尚悅;李建龍
• 申請（專利權）人: 浙江大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/774;G06V10/80;G06K9/62
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

一種基于多模型改進的Stacking集成學習魚類識別方法，包括：1)利用成像聲吶向魚類發射脈沖信號，接收并存貯魚體反向散射回波數據；2)對數據進行預處理，包括對存貯的時域回波信號進行傅里葉變換，得到回波信號的頻譜；對存貯的時域回波信號進行短時傅里葉變換，得到回波信號的時頻圖；3)對時域回波信號利用基于主成分分析的特征提取方法提取特征T_PCA；對回波頻譜利用基于主成分分析的特征提取方法提取特征S_PCA；對回波時頻圖利用基于卷積神經網絡的特征提取方法提取特征SG_CNN；4)將特征T_PCA、S_PCA和SG_CNN分別輸入基于多模型改進的Stacking集成學習各個基學習器進行決策，融合基學習器分類結果作為元學習器的輸入特征量，元學習器輸出最終分類結果，實現魚種分類識別。

技術領域

本發明涉及一種基于主動聲學的魚類識別方法。

背景技術

上世紀90年代以來，隨著對漁業資源可持續發展的日益重視，漁業聲學相關的新方法和新技術取得了較快進展。魚類物種分類主要包括針對觀測數據進行特征提取和基于分類方法對特征進行分類。隨著機器學習在圖像處理領域的快速發展，以機器學習為主的分類方法逐步應用于魚種分類與識別。

90年代，魚種分類領域主要應用傳統的統計方法如主成分分析(PrincipalComponent Analysis,PCA)、判別函數分析(Discriminant Function Analysis,DFA)。進入21世紀以來，基于統計學習理論的機器學習和基于神經網絡的連接主義學習方法逐步應用于魚種分類中，包括最近鄰分析、k均值聚類、支持向量機和人工神經網絡等。最近鄰分析是一種非參數的分類技術，具有概念清晰、易于實現等優點，但存在計算復雜度高、度量相似性的距離函數不適用等問題；k均值聚類算法結構簡單、快速高效、適用于處理大規模數據集，但其對初始聚類中心的選取敏感、容易陷入局部最優解；支持向量機應用結構風險最小化原則，在由輸入向量通過非線性映射得到的高維特征空間里構造最優決策函數，具有推廣性能好、學習速度快、全局最優性等優點，在聲學調查數據的分類問題中取得了廣泛應用，但其在觀測樣本過多時效率較低、尋找合適的核函數較困難、對解決多分類問題效果較差；人工神經網絡借助信號前向傳播與誤差反向傳播過程對目標的輸入輸出數據直接建模，在嚴重非線性與高度不確定性問題上表現良好，在魚類分類領域漸漸獲得重視，但也存在收斂速度慢、易陷入局部最優解等缺點。符號主義學習的代表，決策樹可以學習變量間的非線性關系及高階交叉作用，具有計算速度較快、準確率較高、容易實現等優點，廣泛應用于生態數據分析，但其對數據比較敏感，數據存在冗余、屬性間相關性過強以及數據龐雜會影響決策樹的分類，且較容易過擬合。

實際應用中，傳統單個機器學習算法的分類能力有許多局限性：如在小規模數據樣本集上訓練的分類模型容易過擬合；用單一學習算法訓練的分類模型，有可能陷入局部最優解，如人工神經網絡；某些數據可能不能被單一分類器正確分類。

發明內容

本發明要克服目前使用單一機器學習分類方法對魚類回波進行分類的上述缺點，進一步提高基于聲學回波數據的魚種分類結果的準確率。