[發明專利]一種修正式模式識別及統計建模的高斯混合模型方法

在審

• 申請號: 202010089289.4
• 申請日: 2020-02-12
• 公開（公告）號: CN111539444A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 孫樹平;潘亞瑞;劉保進;黃婷婷;張弼強
• 申請（專利權）人: 南陽理工學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 耿路

1.一種修正式模式識別及統計建模的高斯混合模型方法，其特征在于，包括以下步驟：

步驟一：采集目標特征數據，通過對目標特征數據處理后建立特征數據集，基于特征數據集的第一個特征數據點創建第一個特征高斯成分；

步驟二：以特征數據點出現的先后順序，逐個計算其與現有特征高斯成分間的馬氏距離平方，以馬氏距離為準則對現有特征高斯成分進行創建或迭代更新，其具體準則為：若其馬氏距離平方大于馬氏距離閾值，則根據該特征數據點創建新的特征高斯成分；若其馬氏距離平方小于馬氏距離閾值，則保持原有成分數量不變，并依據此特征數據點對原有特征高斯成分參數進行更新。當所有特征數據點輸入完成后，即可得到初步的高斯混合模型，確定最初所得目標函數，實現對提取目標特征的模式識別及統計建模；

步驟三：基于馬氏距離去除原有的特征高斯成分,基于自適應閾值曲線結合馬氏距離閾值去除虛假特征高斯成分以獲得最終目標函數，實現對目標特征的高精度分類。

2.如權利要求1所述的一種修正式模式識別及統計建模的高斯混合模型方法，其特征在于，采集到的目標特征數據，通過處理后建立D維的特征數據集X＝{X₁,X₂,……X_N}，基于特征數據流的第一個特征數據點X₁創建第一個特征高斯成分，具體參數如式(1)所示：

其中μ₁、W₁、H₁、Σ₁、δ分別表示該特征高斯成分的數學期望、權重、累加概率、協方差矩陣和尺度系數，其中默認δ＝1。

3.如權利要求1所述的一種修正式模式識別及統計建模的高斯混合模型方法，其特征在于，所述步驟二包括以下步驟：

S21：以單向數據流的方式逐個計算特征數據點x_i(i＝2,3…N)與第k個特征高斯成分(k＝1,2…M)之間的馬氏距離平方，如式(2)所示：

馬氏距離平方服從自由度為D的卡方分布，據此馬氏距離閾值可表示為根據相關資料和反復實驗分析取1-α＝0.995。

S22：如果特征數據點x_i與現有特征高斯成分之間馬氏距離平方均大于閾值，則認為特征數據點x_i不屬于任一特征高斯成分，此時根據特征數據點x_i創建一個新的特征高斯成分，如式(3)所示：現有特征高斯成分的個數更新為M＝M+1：

其中表示現有特征高斯成分累加概率總和。

S23：如果特征數據點x_i與特征高斯成分k之間馬氏距離平方小于閾值，則認為特征數據點x_i屬于第k個特征高斯成分，此時對特征高斯成分k原有的參數進行迭代更新以及根據矩陣的行列式引理|(A+uv^T)|＝|A|(1+v^TA^-1u)、Sherman-Morrison公式和式(9)對協方差矩陣的行列式及其逆矩陣進行更新：

H_k＝H_k+g(μ_k,∑_k|x_i) (6)

其中g(μ_k,∑k|x_i)為貝葉斯公式，g(x_i|μ_k,∑k)為高斯概率密度函數。

4.如權利要求1所述的一種修正式模式識別及統計建模的高斯混合模型方法，其特征在于，所述步驟三包括以下步驟：

S31：依據權重按降序對特征高斯成分重組排序，然后根據自適應閾值曲線方程：

將權重小于閾值曲線的特征高斯成分去除，對于自適應閾值曲線的設定，是由反復實驗統計特征高斯成分中權重較小的成分，經數學擬合得出；

S32：根據馬氏距離閾值去除交叉的特征高斯成分。逐個計算特征高斯成分k與其余特征高斯成分k′(k′＝1,2…,M且k′≠k)中心點之間的馬氏距離平方：

對于式(14)中的馬氏距離平方，依舊使用作為馬氏距離閾值，尋找特征高斯成分k′，使得其滿足小于閾值計算k′滿足小于閾值的成分個數n,若n≥2,則刪除成分k，若n＝1,則刪除成分k與k′之中權重較小的成分，若n＝0，則保留特征高斯成分k。將最終保留的特征高斯成分依據權重按降序重組排序，更新M為現有特征高斯成分的個數，最終得到目標函數：

實現對所提取目標特征的模式識別及統計建模。