[發明專利]基于非平衡數據分類框架的火點智能檢測和分類方法

有效

• 申請號: 202010162640.8
• 申請日: 2020-03-10
• 公開（公告）號: CN111414819B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 黃宇飛;徐嘉;李智慧;高冀;白紹竣;任放;姜笛;趙陽;高洪濤;張新偉;劉希剛;曹海翊
• 申請（專利權）人: 北京空間飛行器總體設計部
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/77;G06V10/764;G06V10/774;G06V10/40;G06N20/00
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 張曉飛

1.基于非平衡數據分類框架的火點智能檢測和分類方法，其特征在于步驟如下：

步驟一：主分量分析PCA變換提取特征向量，提取火點圖像第6-7、10-11波段數據，對數據進行PCA變換，計算特征向量；

步驟二：感知機組合學習，訓練正例優先感知器模型，完成反例排除，以此解決數據不平衡問題；

步驟三：線性判別分析LDA變換提取特征向量，提取火點圖像2-7、9-11波段數據進行LDA變換，提取特征向量；

步驟四：訓練精確分類模型，訓練加權支持向量機SVM模型，對步驟4中的特征向量進行精確分類；

步驟五：對火點初步檢測，按照步驟1提取特征，然后用步驟2訓練得到的模型判別待檢測樣本；

步驟六：火點的最終檢測，對篩選好的樣本作為初始檢測結果輸入到精確檢測步驟，即步驟3和步驟4；經過步驟3、步驟4的分類之后，得到最終檢測到的火點；

所述步驟一的具體過程為：

11)提取火點圖像第6-7、10-11波段數據，即樣本數為n，維數為4的矩陣每一行代表一個樣本，每一列代表每個樣本對應第6、7、10、11波段的數據值；

12)將A中的每一列中心化得到矩陣B，并求出協方差矩陣

13)求出協方差矩陣C的特征值及對應的特征向量；

14)將特征向量按對應特征值從大到小，從左至右排列成矩陣P_c,H＝P_cB為經過PCA變換后得到的新的特征向量，即初步訓練樣本集H；

所述步驟二的具體過程為：

21)令感知機模型數i＝0；

22)按照正例優先感知機方法對步驟一中得到的訓練樣本集H，H中的每一行代表一個樣本的特征向量，將其輸入到感知機模型{w_p,b_p}中進行訓練；令感知機的迭代次數t＝0，令初始w_pt是全零向量，b_pt＝0，具體步驟如下：

(221)令t＝t+1，進入步驟(222)；如果超過迭代次數閾值，轉步驟(225)；

(222)用{w_pt，b_pt}根據式(1a)與(1b)預測所有樣本的類別；計算正例正確率CP_t，和反例正確率CN_t；

f(x_i)＝w_p·x_i+b_p????(1a)

其中x_i是特征向量，y_i是類標記，w_p與b_p是分類超平面參數，f(x_i)為感知機的分類判別函數；

(223)找到所有預測錯誤的正例，取出第一個作為{x_i,y_i}根據式(2a)與(2b)修正{w_pt，b_pt}，然后轉步驟(221)，如果沒有預測錯誤的正例，轉下一步；

w_p^(t+1)＝w_p^(t)+ηy_ix_i????(2a)

b_p^(t+1)＝b_p^(t)+y_i????(2b)

其中t為迭代次數，η是學習率；

(224)找到所有預測錯誤的反例，取出第一個作為{x_i,y_i}根據式(2)修正{w_pt，b_pt}，然后轉步驟(221)；如果沒有反例則轉下一步；

(225)選擇正例正確率CP_t＝1且反例正確率CN_t最大的{w_pt，b_pt}作為感知機模型參數輸出，并返回；

23)根據模型{w_p,b_p}對H分類；

24)判斷所有預測為反例的樣本預測值是否全部正確，如果有不正確的，算法結束；全部正確則轉步驟25)；

25)判斷預測為反例的樣本數是否小于等于閾值T_n(T_n＝300)，是則算法結束；若大于閾值轉下一步；

26)i＝i+1；保存模型P_i＝{w_p,b_p}；

27)從S_t中移除所有預測正確的反例樣本，轉步驟22)，運行結束后，得到若干個感知機參數{P_i}，組合構成了一個非線性分類器，并得到初步的檢測結果。