[發明專利]一種基于多視角的魯棒雙邊孿生向量機的林火識別方法

在審

• 申請號: 202011237777.1
• 申請日: 2020-11-09
• 公開（公告）號: CN112348087A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 業巧林;黃捧
• 申請（專利權）人: 南京林業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京思拓知識產權代理事務所(普通合伙) 32288
• 代理人: 苗建

本發明公開了一種基于多視角的魯棒雙邊孿生向量機的林火識別方法，包括：開發了一種新的優化模型：魯棒的雙邊孿生支持向量機的多視圖學習算法：MvRDTSVM，并將其應用在森林煙火識別上，在林火數據庫上進行實驗：利用真實圖像數據對比四種單、多視圖方法，測試其魯棒性和泛化性能；將MvGSVM重新表述為SVM類型的問題，同時引入雙邊約束，將L1范數作為目標函數中的距離度量方式，提高模型的魯棒性；由于目標函數是非凸且非光滑的，本發明設計了一種新的有效迭代算法并從理論上證明其收斂性，由于迭代過程中需要解決一系列QPP問題，會使計算成本增加，進一步開發了MvRDTSVM的快速版本：MvFRDTSVM，通過解決一系列線性方程組而不是QPP問題極大地提高了計算速度，節省了計算成本。

技術領域

本發明涉及算法改進領域，具體為一種基于多視角的魯棒雙邊孿生向量機的林火識別方法。

背景技術

支持向量機(SVM)在過去的幾十年中為模式識別和數據挖掘做出了卓越的貢獻。它已被廣泛應用，例如文本分類，面部識別和生物信息學。盡管其在分類任務中具有明顯優勢，但常規SVM仍需要較高的計算復雜度，并且無法解決“異或”(XOR)問題，對此，Mangasarian和Wild提出了一種簡單有效的分類器，稱為廣義特征值近端SVM(GEPSVM)。GEPSVM的目的是找到兩個非平行的超平面，通過解決一對廣義特征值問題，GEPSVM可以實現更快的計算速度，并且可以比SVM更好地對復雜數據集進行分類。

基于GEPSVM的出色的性能優勢，在GEPSVM之后出現了改進算法，例如，Jayadeva等人提出了了一種模糊的多類別GEPSVM。值得注意的是，GEPSVM還有另一個非常有效的改進，稱為孿生SVM(TWSVM)。TWSVM與GEPSVM具有相似的想法，可以有效解決XOR問題。然而，不同之處在于，TWSVM通過解決兩個小規模的QPP問題來獲得最佳解決方案：一方面，TWSVM不僅具有比SVM更好的分類性能，計算復雜度更小；另一方面，與GEPSVM相比，TWSVM的性能更好，可以在訓練過程中允許一些誤差樣本以促進模型的推廣。

多視圖學習(MVL)作為一種近來流行的學習機制，在許多學習任務中，通過結合可提供補充信息的多個特征數據集，其在泛化性能方面的表現優于單視圖方法。MVL的出現是由于實際上存在多種類型的數據，而傳統的樸素方法僅使用級聯策略來處理此類數據，即通過將異構特征空間連接到同質特征空間中，將多視圖數據轉換為新的單視圖數據。實際上，每個視圖都包含獨特的統計屬性，但級聯策略忽略了不同視角之間的內在聯系，許多研究工作表明，多視圖學習比級聯策略和單視圖方法的學習優勢更大，后者用于不同的任務，例如，聚類、轉移學習、降維和分類。當前，基于支持向量機的多視圖分類方法的探索是一個上升的過程，并且這些方法中的大多數屬于基于多視圖學習的共識原理的共正則化樣式。在協正則化樣式算法中，不同視圖之間的一致性被考慮到協正則化項中，它與損失函數一起被最小化。較早的工作可以追溯到2005年，即Farquhar等人提出的SVM-2K，它結合了最大邊距和共同調整框架來提高性能。多視圖孿生支持向量機(MvTSVM)是首次嘗試將最適合的分類器與多視圖學習相結合。一些相對較新的改進算法包括多視圖非并行SVM(MvNPSVM)、多視圖最小二乘TSVM(MvLSTSVM)、多視圖特權SVM(MvPSVM)、多視圖GEPSVM(MvGSVM)和改進的多視圖GEPSVM(MvIGSVM)。在上述方法中，最近提出的多視圖方法MvGSVM有效地將兩種視圖與GEPSVM結合在一起，被認為是一種更相似和有效的方法，并且是大多數此類工作的研究基礎。但是，MvGSVM是GEPSVM的多視圖擴展，與標準SVM不兼容，不能保證將結構風險最小化。此外，由于使用了平方L2-范數距離度量，因此MvGSVM中的模型可能容易遭受真實數據集中存在的異常值或噪聲，超平面法向矢量的偏差會影響分類的結果。

所以，人們需要一種基于多視角的魯棒雙邊孿生向量機的林火識別方法來解決上述問題。

發明內容

本發明的目的在于提供一種基于多視角的魯棒雙邊孿生向量機的林火識別方法，以解決上述背景技術中提出的問題。