一种基于异步学习因子的前视声呐目标识别方法技术

本发明专利技术公开了一种基于异步学习因子的前视声呐目标识别方法，S1：声纳图像收集与预处理；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。本发明专利技术基于传统SVM模型，将异步学习因子视作自适应权重的函数，提高了声纳图像识别的准确度，通过比较相关粒子群算法和加入特征值验证了本发明专利技术算法的有效性。发明专利技术算法的有效性。发明专利技术算法的有效性。

【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，采用径向基函数核，公式为：
[0024][0025]作为本专利技术的一种优选技术方案，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：
[0026]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))
[0027]x
i
(t)＝x
i
(t
‑
1)+v
i
(t)
[0028]其中w是惯性权重；i是粒子编号；x表示粒子位置；v表示粒子速度；t为粒子更新迭代次数；zb子更t为全局最优解的位置；gb子更t个体最优解的位置，c1,c2为加速系数；
[0029]作为本专利技术的一种优选技术方案，所述惯性权重w对于粒子群算法求最优解帮助很大，但是固定的惯性权重不利于粒子在所处状态不同时改变其适应度，利用自适应的惯性权重，可以使得适应度较小时，需要减小惯性权重伽使粒子可以在其邻域内搜索，增加其局部搜索能力。
[0030]当适应度较差时，需要增加其惯性权重加，使得其可以跳出当前搜寻范围；自适应权重公式如下所示，惯性权重随着适应度值的改变而改变，保证在适应度较小时减少惯性权重，使粒子在当前w范围搜索；当适应度较大时，增大惯性权重，使之跳出当前搜索区域；
[0031][0032]式中w为惯性权重参数，wmin和wmax为自适应惯性权重的最小值和最大值，favg为对惯性权中取平均数的操作。
[0033]作为本专利技术的一种优选技术方案，所述S3中的学习因子对于粒子群函数跳出局部最优解有着积极作用，引入异步学习因子，既考虑了自生学习性和社会性的不同对于粒子寻优结果的影响，又避免了粒子陷入线性变化失去不同维度搜索的能力，其公式如下所示：
[0034]c1＝c2＝cmax
‑
(cmax
‑
cmin)i/I
[0035][0036]前者表示同步学习因子，后者表示异步学习因子，c1，c2分别表示对应局部学习和社会学习的两个学习因子，同步学习因子对于处理线性问题有效，而为了增加算法的全局搜索能力，处理非线性问题，则需要异步学习因子的帮助。
[0037]作为本专利技术的一种优选技术方案，所述S3中的具体步骤如下：
[0038]S31：设定好粒子群相关参数，如权重，系数等，特别是异步学习因子c1的起始上限和终止下限，以及c2的起始下限和终止上限；
[0039]S32：随机产生种群并初始化速度；
[0040]S33：计算种群中每个粒子的适应度函数值，更新个体最优和全局最优；
[0041]S34：进行迭代寻优，更新惯性权重和学习因子，并将得到的新权重和学习因子代入速度更新公式计算，比较适应度；
[0042]S35：将种群中每个粒子当前位置的适应度函数值与个体最优适应度函数值进行比较，若更好，则进行更新；
[0043]S36：将个体最优位置对应的适应度函数值与种群最优位置的适应度函数值进行比较，若更好，则进行更新；
[0044]S37：判断是否满足结束条件，若达到最大迭代次数，算法结束并输出全局最优值，否则继续迭代。
[0045]作为本专利技术的一种优选技术方案，所述S4的混淆矩阵中记录了每一种类别的分类数目，正确分类数和错误分类数都可以通过混淆矩阵表现出来。
[0046]通过混淆矩阵计算四种算法的宏查准率(macroP)、宏查全率(macroR)和宏F1(macroF1)；计算其精确率(Precision)、召回率(Recall)，公式如下所示：
[0047][0048][0049]本专利技术的有益效果是：本专利技术基于传统SVM模型，将异步学习因子视作自适应权重的函数，提出了一种基于异步学习因子的前视声呐目标识别方法，提高了声纳图像识别的准确度，通过比较相关粒子群算法和加入特征值验证了本专利技术算法的有效性。
附图说明
[0050]图1为本专利技术对声纳图像进行分类识别的流程图；
[0051]图2为不同算法比较的实际和预测分类结果图；
[0052]图3为本专利技术加入特征值前的混淆矩阵图；
[0053]图4为本专利技术加入特征值后的混淆矩阵图。
具体实施方式
[0054]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易被本领域人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0055]请参阅图1
‑
4，本专利技术提供一种技术方案：一种基于异步学习因子的前视声呐目标识别方法，本实施例以模拟海洋系统中的实验室水箱上得到的声纳图像为研究对象，通过引入异步学习因子作为自适应权重的函数，提出了一种加入异步学习因子的自适应权重粒子群算法，提高了支持向量机算法的识别精度，具体地构建方法如下：
[0056]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，图像分割，得到清晰的图像数据；...

【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：