[发明专利]一种基于多视角声学数据的鱼类识别方法

摘要

一种基于多视角声学数据的鱼类识别方法。利用一个单波束相控换能器向鱼体发射声信号，利用M个水听器在M个不同方位接收鱼体散射声信号；对获得的多视角散射信号进行滤波归一化等处理；通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数，将小波包子带能量、变换系数组成特征量输入到第一级分类器进行决策，并将决策结果用概率估计公式得到每个方位输出的后验概率向量，将每个方位的后验概率向量进行组合，得到多视角决策后验概率，将多视角决策后验概率输入至第二级支持向量机，输出最终分类结果，得到鱼类识别方法。解决了以往只能在单一方位探测鱼的散射信息，而导致数据丢失的问题。

主权项

一种基于多视角声学数据的鱼类识别方法，其特征是：利用一个单波束相控换能器向鱼体发射声信号，利用M个水听器在M个不同方位接收鱼体散射声信号，获得多视角鱼体散射数据，M＝6‑9；对获得的多视角散射信号进行滤波归一化处理；通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数，将小波包子带能量、变换系数组成特征量输入到第一级分类器进行决策，并将决策结果用概率估计公式得到每个方位输出的后验概率向量，将每个方位的后验概率向量进行组合，得到多视角决策后验概率，将多视角决策后验概率输入至第二级支持向量机，输出最终分类结果，得到鱼类识别方法；所述通过小波包分解、重构，小波包子带能量求解，离散余弦变换方法进行特征提取得到变换系数具体包括：通过公式(1)进行小波包分解：dkm,j+1,2n=Σlh0(2l-k)dlm,j,ndkm,j+1,2n+1=Σlh1(2l-k)dlm,j,n---(1)]]>其中，为上一级小波分解结果，dkm,j+1,2n，dkm,j+1,2n+1分别为下一级小波包分解系数；h0(2l‑k)，h1(2l‑k)分别为小波包分解的低通、高通滤波器组；所述的表示对第m个方位数据进行层数为j的小波包分解时，第n个频带的第l个小波包系数，即为第m个方位的鱼体回波信号，设为Sm；通过公式(2)对小波包系数进行重构，得到每个小波包子带的重构信号：dlm,j,n=Σk[h0(l-2k)dkm,j+1,2n+j1(l-2k)dkm,j+1,2n]=Σk[g0(l-2k)dkm,j+1,2n]+Σk[g1(l-2k)dkm,j+1,2n]---(2)]]>其中，g0(l‑2k)为小波包重构的低通滤波器组；g1(l‑2k)为小波包重构的高通滤波器组，小波包分解层数j为6‑12；通过公式(3)得到小波包子带能量：Em,n=Σf=0F-1|Sm,n(f)|2---(3)]]>其中，Sm,n(f)为小波包节点重构序列，m为接收方位号，n为小波包重构序列节点号，F为信号点数；小波包子带能量特征为：Tsp,m＝(Em,1,Em,2,…,Em,n)       (4)通过公式(5)进行离散余弦变换：Dm(l)=2Fc(f)Σf=0F-1Sm(f)cos[πl(2f+1)2F]---(5)]]>其中f＝0,1,…,F‑1；Dm(l)即为特征量，l＝0,1,…,L‑1为特征量个数；所述的离散余弦变换系数特征为：Tsd,m＝(Dm,1,Dm,2,…,Dm,n) (7)融合特征为：Tm＝(Tsp,m,Tsd,m) (8)在特征提取的基础上，通过公式(9)进行特征降维：DT=|μi-μj|2σi2-σj2---(9)]]>其中i,j代表类别，其中μi,μj,分别为类i,j对应特征量的均值与方差，降维后的特征量为T′m；采用支持向量机分类器进行鱼类识别，支持向量机输出为：fm(x)＝wcφ(x)+b (10)其中，fm(x)为输出超平面，w为权向量，b为偏倚量，φ为非线性映射，通过公式(11)得到后验概率估计：p(c|x)=exp(wcφ(x)+b)Σc=1Cexp(wcφ(x)+b)---(11)]]>每个方位输出的后验概率向量为：pj＝(p(c＝1|Tj),…,p(c＝C|Tj)) (12)将每个方位的后验概率向量进行组合，得到多视角决策后验概率：P＝(p1,…pM) (13)其中M为方位数，将组合后的概率P作为特征向量，输入下一级支持向量机，做出最终类决策，进行鱼类识别。