[发明专利]一种多特征及多方位数据融合鱼类识别方法

权利要求书

1.一种多特征及多方位数据融合鱼类识别方法，其特征在于，包括如下步骤：

(1)向水下发射声信号，获得鱼体多方位声散射信号；

(2)对获得的多方位声散射信号进行归一化、滤波处理；

(3)对预处理后的信号进行多特征提取：对预处理后的多方位声散射数据进行正交变换，提取包络，对包络信息提取小波包系数奇异值特征、时域质心特征、频域质心特征，进行特征融合及降维处理；

(4)将特征量输入到支持向量机分类器进行鱼类识别：通过支持向量机分类器将类决策结果表示成后验概率，同时利用每个方位的决策概率对其余方位的决策概率进行加权，所有决策单元相互协作，完成鱼类识别。

2.根据权利要求1所述的一种多特征及多方位数据融合鱼类识别方法，其特征在于：所述的对包络信息提取小波包系数奇异值特征的具体方法为：通过小波包分解与重构得到小波包系数，将其组成小波包系数矩阵，得到小波包系数奇异值：

SDm,nλm,n]]>

d_m为小波包重构系数组成的矩阵，λ_m,n为d_m^Hd_m的非零特征值，SD_m,n为特征量，m为接收方位号，n为特征个数。

3.根据权利要求1所述的一种多特征及多方位数据融合鱼类识别方法，其特征在于：所述对包络信息提取时域质心特征的具体方法为：

(3.1.1)计算整段信号时域质心TC₁₁，得到第一层的两个子带[0,TC₁₁]和[TC₁₁,T_max]，信号时间长度为0-T_max；

(3.1.2)在第一层分段的基础上分别计算各个子带的时域质心，分别为TC₂₁和TC₂₂，得到第二层的三个子带[0,TC₂₁]，[TC₂₁,TC₂₂]，[TC₂₂,T_max]；

(3.1.3)在第i层各个子带内计算时域质心，并将其作为下一层划分的依据，一般以3～6层为宜，则对应特征数为3～6个。

4.根据权利要求1所述的一种多特征及多方位数据融合鱼类识别方法，其特征在于：所述的对包络信息提取提取频域质心特征包括：

(3.2.1)计算频段的频域质心SC₁₁，得到第一层的两个子带[0,SC₁₁]和[SC₁₁,f_max]，可取信号能量集中的范围作为原始分析频段，信号频宽为0-f_max；

(3.2.2)在第一层分段的基础上分别计算各个子带的频域质心，分别为SC₂₁和SC₂₂，得到第二层的三个子带[0,SC₂₁]，[SC₂₁,SC₂₂]，[SC₂₂,f_max]；

(3.2.3)以此类推，在第j层各个子带内计算时域质心，并将其作为下一层划分的依据，一般以3～6层为宜，则对应特征数为3～6个。

5.根据权利要求1所述的一种多特征及多方位数据融合鱼类识别方法，其特征在于：所述的特征融合及降维处理指将三种特征进行组合，组成融合特征向量，并通过Fisher判别方法进行特征降维处理。

6.根据权利要求1所述的一种多特征及多方位数据融合鱼类识别方法，其特征在于：所述的步骤(4)中支持向量机输出为：

f(T_m)＝wφ(T_m)+b

其中，f(x)为输出超平面，w为权向量，b为偏倚量，φ为非线性映射，T_m代表特征量，m为方位号；

后验概率估计：

p(c|Tm)=exp(wφ(Tm)+b)Σc=1Clexp(wφ(Tm)+b)]]>

其中c为类别标号，C_l为总的类数量；

每个方位输出的后验概率向量为：

pm=(p(c1|Tm),...,p(cCl|Tm))]]>

方位m输出的概率向量p_m传送至其他决策单元，同时接收其他决策单元输出的概率向量p₁,…,p_m-1,p_m+1,…p_M，是独立分布的，则方位m的加权概率：

pweig(ck|tm)=Πi≠jApm(ck|Tm)]]>

k代表某一类的标号，t_m代表重新组合后的特征向量空间；

得到决策概率向量与加权概率向量后，为避免再引入新的分类器，进行组合，定义斜率K_SL，则K_SL表示为：

KSL=p(c1|T)-p(c2|T)p(c1|T)]]>

其中

p(c₁|T)≥p(c₂|T)≥…p(c_Cl|T)

则决策概率向量与加权概率向量权重分别为：

Winit=KSLinitKSLinit+KSLweig,Wweig=KSLweigKSLinit+KSLweig]]>

根据所占权重，计算得到每个方位的最终决策概率：

pmf(c|T)=pm(c|Tm)*Winit+Winit+pweig(c|Tm)*Wweig]]>

其中T为总的特征向量空间；

则对于每个类的最终分类识别结果为：

P(c|T)=Πm=1Mpmf(c|T)]]>

其中M为方位数量；

对于输入到支持向量机分类器的特征，哪一个类的概率大则表示支持向量机分类器将当前输入的特征识别为这一类。