[发明专利]基于信源自适应动态选择的高效融合识别方法

权利要求书

1.基于信源自适应动态选择的高效融合识别方法，其特征在于，具体包括以下步骤：

步骤一、通过多个传感器对训练样本集进行采集数据，并对采集到的数据进行预处理和特征提取，对训练样本集中的每个训练样本，均将其属性划分为N个属性集；

步骤二、通过每个属性集对训练样本集进行交叉验证，并得出使训练样本集分类准确率最高的属性集；

步骤三、根据步骤二中得出的属性集对目标进行分类，得出分类结果；

步骤四、判断分类结果的可靠度是否满足阈值要求：

当满足时，按照满足阈值要求的分类结果对目标进行目标识别，方法结束；

当不满足时，在剩余的属性集中找到下一属性集,并对目标进行分类，得出新的分类结果；

计算分类结果可靠度的方法为：

步骤4.1、根据当前分类结果对应的属性集A_l，在训练样本集中选择与目标y距离最近的K个训练样本作为参考样本，其中A_l∈{a₁,a₂,…,a_N}，{a₁,a₂,…,a_N}为步骤一中的N个属性集；

步骤4.2、根据步骤4.1中的属性集A_l对目标y进行分类并得到分类结果m_l，且对K个参考样本x_l,1,x_l,2,…,x_l,K进行分类，得到分类结果m_l,1,m_l,2,…,m_l,K,x_l,k是针对属性集A_l选出的第k个参考样本；

步骤4.3、计算每个参考样本x_l,k的重要度α_l,k：

其中，γ_l为当属性集选取A_l时，两两参考样本间的平均距离；d_l,k为当属性集选取A_l时，参考样本x_l,k到目标y的欧式距离，且γ_l、d_l,k均通过以下公式得出：

式中，Z是训练样本集中训练样本的总数，x_l,i、x_l,j分别为K个参考样本中第i个、第j个训练样本，且有0＜i≤K，有0＜j≤K；

步骤4.4、计算目标y的分类结果对应的可靠度r：

其中，当每个参考样本的分类结果m_l,k与目标y的分类结果m_l相同，则δ₁(k)＝1,否则δ₁(k)＝0；当每个参考样本的分类结果与目标y的分类结果相同且分类正确，则δ₂(k)＝1,否则δ₂(k)＝0；

步骤五、将步骤三中得出的分类结果和步骤四中得出的分类结果进行优化融合，并得出融合后的分类结果；

步骤六、根据步骤五中得出的融合后的分类结果重复执行步骤四，直至分类结果的可靠度满足阈值要求或所有属性集均被用完为止，当所有属性集均被用完时，使用最终得到的分类结果对目标进行目标识别。