[發明專利]一種基于更新權值支持向量機的水聲目標識別方法

在審

• 申請號: 202010811948.0
• 申請日: 2020-08-13
• 公開（公告）號: CN112052880A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 齊濱;梁國龍;郭少祥;張光普;王燕;付進;王逸林;鄒男;王晉晉;邱龍皓
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01H3/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 孫莉莉

1.一種基于更新權值支持向量機的水聲目標識別方法，其特征在于：具體包括以下步驟：

步驟一：采集兩類水聲目標樣本數據，添加類別標簽，建立水聲目標樣本庫；

步驟二：對水聲目標樣本庫進行MFCC處理，輸出動態特征；

步驟三：選取高斯徑向基核函數作為核函數，給定拉格朗日乘子α和對應的權值表達式ω＝∑_iα_iy_iφ(x_i)，i＝1,2,...,n，n為樣本數，y_i為類別標簽，φ()表示特征映射函數，x_i為樣本數據；使用30％的動態特征作為訓練樣本，對所述訓練樣本使用雙坐標下降法循環迭代出最優的α值和權值ω；根據最優的α值和權值ω構建權值更新的支持向量機識別模型；

步驟四：利用剩下的70％動態特征樣本對所述構建的權值更新的支持向量機識別模型進行模型交叉驗證和模型評價；

步驟五：統計構建的權值更新的支持向量機識別模型的識別正確率，評價支持向量機識別模型的性能；

步驟六：使用得到的基于更新權值的支持向量機的水聲目標識別模型對實采數據進行識別。

2.根據權利要求1所述的方法，其特征在于：在步驟一中，對采集到的水聲目標樣本數據分類標記，分別標記為“+1”和“-1”。

3.根據權利要求2所述的方法，其特征在于：在步驟二中，對水聲目標樣本數據依次進行以下操作：

步驟2.1、對水聲目標樣本數據進行預加重、分幀和加窗處理；所述預加重即是提高高頻部分在傳輸端的衰減，增加信噪比；所述分幀處理就是將水聲目標樣本分割成以固定時間段的幀序列；所述加窗處理采用漢明窗；

步驟2.2、對每一幀數據進行快速傅里葉變換；

步驟2.3、絕對值檢波或者平方檢波；

步驟2.4、梅爾濾波；

步驟2.5、取對數，離散余弦變換；

步驟2.6、輸出動態特征。

4.根據權利要求3所述的方法，其特征在于：在步驟三中，假設訓練樣本數據集為n為樣本數，為數據空間，N為維度，動態特征映射到高維空間能夠被一個超平面(ω·x)+b＝0分開，式中b∈R，R為實數，使正例樣本和負例樣本分布在超平面兩側，距離超平面最近的向量稱為支持向量，此時尋找一個超平面使得距離正例支持向量和負例支持向量的距離最大化，因此將問題轉化為一個凸二次規劃問題：

以上的優化問題包含了一個凸二次優化對象并且線性可分，概括來說就是需找最優超平面的二次最優化，在matlab中用quadprog函數求解拉格朗日乘子；

式(1)轉化為如下對偶問題：

式(2)中α為拉格朗日乘子，C是一個常數，控制支持向量機識別模型的擬合程度；κ是核函數；f()為決策函數；

通過求解式(1)和式(2)可以得出權值表達式為：

預測結果表達式為：

sgn(ω^Tφ(x)) (4)

其中x為輸入向量。

5.根據權利要求4所述的方法，其特征在于：所述雙坐標下降法具體為：

步驟3.1、給定拉格朗日乘子α及其相對應的權值表達式ω＝∑_iα_iy_iφ(x_i)；

步驟3.2、計算在特征映射φ下的歐式長度的平方值，記為Q_ii：

步驟3.3、選取α值進入循環，循環n次；

步驟3.4、計算梯度G＝y_iω^Tφ(x_i)-1，梯度趨于零得出最優α值和權值ω，否則執行步驟3.5和步驟3.6，更新α值和權值ω；

步驟3.5、更新α值：α_i←min(max(α_i-G/Q_ii,0),C)，為估計值；

步驟3.6、更新權值ω：

6.根據權利要求5所述的方法，其特征在于：在步驟四中，挑選30％的動態特征樣本數據作為交叉驗證評估模型參數，對所述構建的權值更新的支持向量機識別模型進行模型交叉驗證；挑選40％的動態特征樣本數據作為評價模型參數，對所述構建的權值更新的支持向量機識別模型進行模型評價。