CN109740635A - 基于二分类器的分类识别特征映射方法 - Google Patents
基于二分类器的分类识别特征映射方法 Download PDFInfo
- Publication number
- CN109740635A CN109740635A CN201811512493.1A CN201811512493A CN109740635A CN 109740635 A CN109740635 A CN 109740635A CN 201811512493 A CN201811512493 A CN 201811512493A CN 109740635 A CN109740635 A CN 109740635A
- Authority
- CN
- China
- Prior art keywords
- msf
- classification
- characteristic
- feature
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013507 mapping Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000005315 distribution function Methods 0.000 claims description 8
- 102100035373 Cyclin-D-binding Myb-like transcription factor 1 Human genes 0.000 claims description 7
- 101000804518 Homo sapiens Cyclin-D-binding Myb-like transcription factor 1 Proteins 0.000 claims description 7
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 241000219098 Parthenocissus Species 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 244000287680 Garcinia dulcis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于二分类器的分类识别特征映射方法，包括以下步骤：分别统计用于训练分类器系数的各类目标特征每一维特征的高斯分布情况；分别统计相对于训练分类器系数的各类目标特征发生特征偏移的情况下各类目标特征每一维特征的高斯分布情况；根据统计得到的高斯分布情况对特征偏移前后两种情况下每个二分类器中每一维特征分别构建分布映射关系。本发明能够避免因特征偏移而致使分类识别准确率大幅度降低的情况发生。
Description
技术领域
本发明涉及数字信号处理技术领域，特别是涉及一种基于二分类器的分类识别特征映射方法。
背景技术
分类识别技术是一种重要的数字信号处理技术，在数字信号处理技术领域中得到了广泛的应用。而特征提取与优化是分类识别技术的第一步且是至关重要的一步，特征选择的适当与否直接影响到整个识别***的设计复杂度，并决定了***的识别准确性。常见的特征主要包括时域特征、频域特征、参数化模型特征、高阶谱特征、时频域特征、非线性特征等，尤其是时频域特征在非平稳信号处理中扮演着越来越重要的角色，也取得了很多成果。但由于实际信号处理过程中的非平稳信号受到很多因素的影响，相同目标类型的信号在不同环境条件下的信号特征也差异很大，比如说地震动信号特征会随着地质条件的变化而变化，声音信号特征受风的影响很大。因此很可能出现设计好的分类识别***在某类环境条件下分类识别效果很好，而换至另外一类环境条件下性能则急剧下降。
发明内容
本发明所要解决的技术问题是提供一种基于二分类器的分类识别特征映射方法，避免因特征偏移而致使分类识别准确率大幅度降低的情况发生。
本发明解决其技术问题所采用的技术方案是：提供一种基于二分类器的分类识别特征映射方法，包括以下步骤：
(1)分别统计用于训练分类器系数的各类目标特征每一维特征的高斯分布情况；
(2)分别统计相对于训练分类器系数的各类目标特征发生特征偏移的情况下各类目标特征每一维特征的高斯分布情况；
(3)根据统计得到的高斯分布情况对特征偏移前后两种情况下每个二分类器中每一维特征分别构建分布映射关系。
所述步骤(1)和步骤(2)均采用如下方法统计的高斯分布情况：定义一类目标特征数目为N，特征维数为M，特征序列为F1,...,FN(Fi＝[Fi1,...,FiM])，则第k维特征序列为F1k,...,FNk，计算第k维特征序列的均值计算第k维特征序列的标准差
所述步骤(3)具体包括以下子步骤：
(31)定义一个二分类器中用于训练分类器系数的两类目标第k维特征序列的均值为MTFk1和MTFk2，标准差为STDTFk1和STDTFk2，发生特征偏移的情况下两类目标第k维特征序列的均值为MSFk1和MSFk2，标准差为STDSFk1和STDSFk2；
(32)定义x轴翻转参数为DP＝(MTFk1-MTFk2)×(MSFk1-MSFk2)，如x轴翻转参数DP＜0，则将x轴翻转，即x＝-x，MSFk1＝-MSFk1，MSFk2＝-MSFk2，否则直接进入步骤(33)；
(33)根据计算得到的均值与标准差构建两类目标第k维特征序列的高斯分布函数
(34)计算高斯分布函数DF1(x)与DF2(x)的交点xC；
(35)定义分布映射区域判定参数为DMTF＝sign(MTFk1-MTFk2)，如分布映射区域判定参数DMTF×(x-xC)＞0，第k维特征分布映射关系为否则第k维特征分布映射关系为
所述步骤(34)中如果计算得到的交点数大于1，则选取交点在MSFk1、MSFk2之间的x值作为x轴的分界点。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过对发生特征偏移前后两种情况下的每一维特征的高斯分布情况分别进行统计，然后根据统计得到的分布情况对每个二分类器中每一维特征分别构建分布映射关系，通过构建的分布映射关系对发生特征偏移的特征进行校正。该方法可以在出现特征偏移的情况有效校正分类识别特征，从而可以避免因特征偏移而致使分类识别准确率大幅度降低的情况发生。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于二分类器的分类识别特征映射方法，包括以下步骤：分别统计用于训练分类器系数的各类目标特征每一维特征的高斯分布情况；分别统计相对于训练分类器系数的各类目标特征发生特征偏移(非时变)的情况下各类目标特征每一维特征的高斯分布情况；根据统计得到的分布情况对特征偏移前后两种情况下每个二分类器中每一维特征分别构建分布映射关系。
其中，统计高斯分布情况时采用如下方法：定义一类目标特征数目为N，特征维数为M，特征序列为F1,...,FN(Fi＝[Fi1,...,FiM])，则第k维特征序列为F1k,...,FNk，计算第k维特征序列的均值计算第k维特征序列的标准差
在构建分布映射关系时，先定义一个二分类器中用于训练分类器系数的两类目标第k维特征序列的均值为MTFk1和MTFk2，标准差为STDTFk1和STDTFk2，发生特征偏移的情况下两类目标第k维特征序列的均值为MSFk1和MSFk2，标准差为STDSFk1和STDSFk2，并根据上述方法进行计算。接着，定义x轴翻转参数为DP＝(MTFk1-MTFk2)×(MSFk1-MSFk2)，如x轴翻转参数DP＜0，则将x轴翻转，即x＝-x，MSFk1＝-MSFk1，MSFk2＝-MSFk2；然后，根据计算得到的均值与标准差构建两类目标第k维特征序列的高斯分布函数并计算高斯分布函数DF1(x)与DF2(x)的交点xC，如果计算得到的交点数大于1，则选取交点在MSFk1、MSFk2之间的x值作为x轴的分界点。最后，定义分布映射区域判定参数为DMTF＝sign(MTFk1-MTFk2)，如分布映射区域判定参数DMTF×(x-xC)＞0，第k维特征分布映射关系为否则第k维特征分布映射关系为
下面通过一个具体的实施例来进一步说明本发明。
该实施例中采用地震动信号作为研究对象，由于地震动信号受地质条件影响较大，不同的地质条件下产生的地震动信号特征相差很大，即产生特征偏移的现象，且地质条件是不随时间变化而变化。在仿真实验中，采用先对信号进行FFT变换再求倒谱的方法来进行特征提取，特征维数M＝511，分类器则采用模糊分类器来进行分类识别，模糊分类的隶属度函数选用高斯函数，分类识别目标为轮式车与履带车两类，假定用于训练分类识别系数的信号特征来自于地质条件0，以下各个步骤中k＝1,...,511。
由于模糊分类的隶属度函数选用的是高斯函数，因此从训练好的分类识别系数中就可以得到用于训练分类器系数的两类目标特征每一维特征的均值MTFk1、MTFk2与标准差STDTFk1、STDTFk2。
计算发生特征偏移的地质条件两类目标每一维特征序列的均值MSFk1、MSFk2与标准差STDSFk1、STDSFk2。
计算判定每一维x轴是否翻转的参数DPk＝(MTFk1-MTFk2)×(MSFk1-MSFk2)，根据DPk是否小于0来确定每一维x轴是否翻转，即xk＝-xk，MSFk1＝-MSFk1，MSFk2＝-MSFk2。
构建两类目标每一维特征序列的高斯分布函数与
计算每一维特征中两类目标的分布函数DFk1(xk)与DFk2(xk)的交点xCk，计算得到的交点数可能大于1，选取交点在MSFk1、MSFk2之间的xk值作为xk轴的分界点。
计算每一维特征中判定分布映射区域的参数DMTFk＝sign(MTFk1-MTFk2)，每一维特征构建分布映射关系：如DMTFk×(xk-xCk)＞0，否则
根据上述构建的分布映射关系对发生特征偏移的分类识别特征进行特征映射，再将映射后的特征送入分类器进行识别分类。
分别采用无特征映射的分类识别方法与特征映射的分类识别方法对3种发生特征偏移的地质条件下采集的轮式车与履带车震动信号进行仿真，统计两种方法3种地质条件下每类目标的正确识别率，如表1所示。
表1仿真结果统计表
不难发现，本发明通过对发生特征偏移前后两种情况下的每一维特征的高斯分布情况分别进行统计，然后根据统计得到的分布情况对每个二分类器中每一维特征分别构建分布映射关系，通过构建的分布映射关系对发生特征偏移的特征进行校正。该方法可以在出现特征偏移的情况有效校正分类识别特征，从而可以避免因特征偏移而致使分类识别准确率大幅度降低的情况发生。
Claims (4)
1.一种基于二分类器的分类识别特征映射方法，其特征在于，包括以下步骤：
(1)分别统计用于训练分类器系数的各类目标特征每一维特征的高斯分布情况；
(2)分别统计相对于训练分类器系数的各类目标特征发生特征偏移的情况下各类目标特征每一维特征的高斯分布情况；
(3)根据统计得到的高斯分布情况对特征偏移前后两种情况下每个二分类器中每一维特征分别构建分布映射关系。
2.根据权利要求1所述的基于二分类器的分类识别特征映射方法，其特征在于，所述步骤(1)和步骤(2)均采用如下方法统计的高斯分布情况：定义一类目标特征数目为N，特征维数为M，特征序列为F1,...,FN(Fi＝[Fi1,...,FiM])，则第k维特征序列为F1k,...,FNk，计算第k维特征序列的均值计算第k维特征序列的标准差
3.根据权利要求1所述的基于二分类器的分类识别特征映射方法，其特征在于，所述步骤(3)具体包括以下子步骤：
(31)定义一个二分类器中用于训练分类器系数的两类目标第k维特征序列的均值为MTFk1和MTFk2，标准差为STDTFk1和STDTFk2，发生特征偏移的情况下两类目标第k维特征序列的均值为MSFk1和MSFk2，标准差为STDSFk1和STDSFk2；
(32)定义x轴翻转参数为DP＝(MTFk1-MTFk2)×(MSFk1-MSFk2)，如x轴翻转参数DP＜0，则将x轴翻转，即x＝-x，MSFk1＝-MSFk1，MSFk2＝-MSFk2，否则直接进入步骤(33)；
(33)根据计算得到的均值与标准差构建两类目标第k维特征序列的高斯分布函数
(34)计算高斯分布函数DF1(x)与DF2(x)的交点xC；
(35)定义分布映射区域判定参数为DMTF＝sign(MTFk1-MTFk2)，如分布映射区域判定参数DMTF×(x-xC)＞0，第k维特征分布映射关系为否则第k维特征分布映射关系为
4.根据权利要求1所述的基于二分类器的分类识别特征映射方法，其特征在于，所述步骤(34)中如果计算得到的交点数大于1，则选取交点在MSFk1、MSFk2之间的x值作为x轴的分界点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811512493.1A CN109740635B (zh) | 2018-12-11 | 2018-12-11 | 基于二分类器的分类识别特征映射方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811512493.1A CN109740635B (zh) | 2018-12-11 | 2018-12-11 | 基于二分类器的分类识别特征映射方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740635A true CN109740635A (zh) | 2019-05-10 |
| CN109740635B CN109740635B (zh) | 2023-12-26 |
Family
ID=66358694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811512493.1A Active CN109740635B (zh) | 2018-12-11 | 2018-12-11 | 基于二分类器的分类识别特征映射方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740635B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110040711A1 (en) * | 2009-08-14 | 2011-02-17 | Xerox Corporation | Training a classifier by dimension-wise embedding of training data |
| US20120254077A1 (en) * | 2011-03-31 | 2012-10-04 | Fatih Porikli | Data Driven Frequency Mapping for Kernels Used in Support Vector Machines |
| CN103544963A (zh) * | 2013-11-07 | 2014-01-29 | 东南大学 | 一种基于核半监督判别分析的语音情感识别方法 |
| CN108647602A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种基于图像复杂度判定的航空遥感图像场景分类方法 |
-
2018
- 2018-12-11 CN CN201811512493.1A patent/CN109740635B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110040711A1 (en) * | 2009-08-14 | 2011-02-17 | Xerox Corporation | Training a classifier by dimension-wise embedding of training data |
| US20120254077A1 (en) * | 2011-03-31 | 2012-10-04 | Fatih Porikli | Data Driven Frequency Mapping for Kernels Used in Support Vector Machines |
| CN103544963A (zh) * | 2013-11-07 | 2014-01-29 | 东南大学 | 一种基于核半监督判别分析的语音情感识别方法 |
| CN108647602A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种基于图像复杂度判定的航空遥感图像场景分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张亚东;华春蓉;董大伟;闫兵;鲁志文;谢逍;: "用11/2维谱结合小波包能量提取地震动信号特征", 噪声与振动控制, no. 01 * |
| 黄杰;朱广平;: "水声目标识别中的K-D树KNN-SVM分类器研究", 海洋技术学报, no. 01 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740635B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
| Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
| CN107577999B (zh) | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 | |
| CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
| CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
| CN106501800B (zh) | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 | |
| CN105718848B (zh) | 一种指纹图像的质量评估方法及装置 | |
| CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
| CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN103135091A (zh) | 一种波达方向估计***中的自适应冲击噪声消除方法 | |
| CN103217676A (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
| CN103020645A (zh) | 一种垃圾图片识别方法和*** | |
| CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
| CN103942444A (zh) | 一种基于dtw的平权1-范数不等长序列相似度度量算法 | |
| CN113239880A (zh) | 基于改进随机森林的雷达辐射源识别方法 | |
| Park et al. | Accuracy enhancement of hand gesture recognition using CNN | |
| CN109740635A (zh) | 基于二分类器的分类识别特征映射方法 | |
| CN110109068A (zh) | 基于极化特征向量的箔条干扰识别方法 | |
| CN103942526A (zh) | 一种离散数据点集的线特征提取方法 | |
| CN108376266A (zh) | 基于样本边缘点内部点的单类支持向量机核参数优化方法 | |
| CN103810287B (zh) | 基于有监督共享组件主题模型的图像分类方法 | |
| CN112612023A (zh) | 一种雷达目标识别方法及计算机可读存储介质 | |
| CN117054998A (zh) | 一种基于信息熵背景平稳度的集群目标检测方法和*** | |
| CN102636777A (zh) | 基于噪声先验的概率主成分分析雷达目标稳健识别方法 | |
| Yu et al. | Sorting radar signal based on the resemblance coefficient of bispectrum two dimensions characteristic |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |