【技术实现步骤摘要】
Toro在赫瑞瓦特大学就读博士学位时期用的Soundmetrics Aris Explorer 3000在模拟海洋系统中的实验室水箱上得到的,数据集中包括了1800张前视声呐图片,首先选择了其中600张目标物主要在中部且较清晰的图像,包括铁链、轮胎、阀门等三类标物,每类各200张,然后得到600幅分割后图像作为训练集,其中360张作为测试集,240张作为训练集;
[0014]声呐图像的灰度值散布在较小的范围内,图像看起来会模糊不清、没有灰度层次;采用一个线性函数对图像中的各个像素进行线性展开,有效的提高画面视觉效果,增大背景和目标物的区别,提高之后对图像进行二值化处理并分割的准确性,灰度线性变换公式如下:
[0015]g(x,y)=k
×
f(x,y)+b
[0016]当k>1时,图像的对比度会增大。
[0017]作为本专利技术的一种优选技术方案,所述S2中支持向量机是一种能够很好地解决小样本、非线性、高维数问题的机器学习方法;SVM的思想为基于训练集在样本空间中找到一个具有最大分类间隔的最优超平面,设最优超平面方程为:
[0018]w
T
x+b=0
[0019]对于非线性问题,约束条件为:
[0020]y
i
w
T
x+b≥1
‑
ε
i
,ε
i
≥0
[0021]目标函数为:
[0022][0023]对于SVM算法而言,选择核参数至关重要,采用径向基函数
【技术保护点】
【技术特征摘要】
1.一种基于异步学习因子的前视声呐目标识别方法,其特征在于:具体步骤如下:S1:声纳图像收集与预处理;选取600张声纳图像,经过滤波图像去噪、二值化和图像分割得到清晰的图像数据;S2:利用改进支持向量机算法对处理好的声纳图像进行训练;S3:引入异步学习因子对粒子群算法进行改进;利用带有异步学习因子的粒子群算法对支持向量机模型中的相关参数进行优化,并通过对比得出结论;S4:对算法性能进行评估;通过不同算法分别对支持向量机算法进行优化比较其精确度,加入特征值,通过混淆矩阵计算查全率与查准率等方法验证算法性能。2.根据权利要求1所述的一种基于异步学习因子的前视声呐目标识别方法,其特征在于:所述S1中声纳图像收集中的数据集包括了1800张前视声呐图片,选择其中600张目标物主要在中部且较清晰的图像,然后得到600幅分割后图像作为训练集,其中360张作为测试集,240张作为训练集;声呐图像的灰度值散布在较小的范围内,图像看起来会模糊不清、没有灰度层次;采用一个线性函数对图像中的各个像素进行线性展开,有效的提高画面视觉效果,增大背景和目标物的区别,提高之后对图像进行二值化处理并分割的准确性,灰度线性变换公式如下:g(x,y)=k
×
f(x,y)+b当k>1时,图像的对比度会增大。3.根据权利要求1所述的一种基于异步学习因子的前视声呐目标识别方法,其特征在于:所述S2中支持向量机是一种能够很好地解决小样本、非线性、高维数问题的机器学习方法;SVM的思想为基于训练集在样本空间中找到一个具有最大分类间隔的最优超平面,设最优超平面方程为:w
T
x+b=0对于非线性问题,约束条件为:y
i
w
T
x+b≥1
‑
ε
i
,ε
i
≥0目标函数为:对于SVM算法而言,选择核参数至关重要,采用径向基函数核,公式为:4.根据权利要求1所述的一种基于异步学习因子的前视声呐目标识别方法,其特征在于:所述S3中粒子群算法是一种具有快速收敛性和通用性的随机搜索的全局优化算法,它的原理是通过一些被初始化的粒子,通过被赋予适应值和速度、记忆、追随每一局中的最优粒子,在解空间中进行搜索,粒子群算法的公式为:v
i
=w*v
i
‑1(t
‑
1)+c1*r1(gbest(t
‑
1)
‑
x
i
(t
‑
1))+c2*r2(zbest(t
‑
1)
‑
x
i
(t
‑
1))x
i
(t)=x
i
(t
‑
1)+v
i
(t)...
【专利技术属性】
技术研发人员:孙佳龙,于松,徐霞蔚,朱国豪,赵思聪,吉方正,夏梓铭,胡家祯,沈舟,鞠子夏,于浩,
申请(专利权)人:连云港蓝途智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。