基于字典学习的主动声呐目标分类方法
发布时间：2022-02-16 21:00
主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机（SupportVectorMachine, SVM）、K-最近邻（K-Nearest Neighbor, KNN）和柔性最大值分类器（SoftMax）等分类方法,具有较好的分类性能。
【文章来源】：声学技术. 2020,39(05)北大核心CSCD
【文章页数】：7 页
【部分图文】：
稀疏表示原理图
554声学技术2020年图2DLSRC方法总框图Fig.2GeneralblockdiagramofDLSRCmethod试集导入Matlab程序中，训练集由字典学习算法训练出具有类别信息的字典，测试集赋初始类别标签。具体步骤如下：(1)导入实测信号：将信号分为训练集和测试集导入Matlab软件中；(2)加噪声：利用Matlab软件通过仿真给所有信号加入高斯噪声；(3)训练字典：采用K-SVD算法训练出各类对应的字典，分别标记为字典1、字典2、字典3、字典4；(4)标记测试信号：每类测试集附上各自的初始类别标签(测试集本身没有标签，此步是为了计算分类模型的准确率)；(5)计算稀疏系数：测试信号分别放入各类别字典中，经过正交匹配追踪(OrthogonalMatchingPursuit,OMP)算法得到不同的稀疏系数(每个测试信号产生4个稀疏系数)；(6)重构数据：由各类别字典及对应的稀疏系数重构出对应的数据；(7)计算匹配率：计算测试信号与其对应重构数据的匹配率(每个测试信号对应4个匹配度)；(8)判定标签：找到与测试信号匹配率最高的重构信号，判定类别与其对应字典相同；(9)计算准确率：判断初始类别标签和新的类别标签是否相同，相同即分类正确，统计正确个数，得到准确率。2.2基于训练学习的字典构造K-SVD算法主要由稀疏编码和更新字典两个步骤迭代。首先，由OMP算法计算稀疏编码矩阵，然后逐列更新字典(奇异值分解方法)，同时在当前字典下更新稀疏编码矩阵，最后反复迭代、更新，直到收敛或满足结束条件。K-SVD算法的流程图如图3所示。图3K-SVD字典学习算法流程图Fig.3Flowchartofk-SVDdictionarylearningalgorithm通过求解如式(4)的优化问题，得到最优字典D。具体实现步骤如下：(1)初始化：设训练集为字典D的初始矩阵，初始化稀疏编码矩阵X
，T1T()ttttP=为正交投影算子矩阵，具体实现步骤如下：(1)给定字典D，初始化残差0e=y，y为信号；(2)选择与残差内积绝对值最大的原子，表示为1；(3)将被选中的原子1作为列组成矩阵t(每次循环不清空)，计算t的正交投影算子矩阵P，通过目标函数计算残差1e。(4)对残差迭代执行(2)、(3)步，在迭代过程中被选择过的原子均与残差正交，不会重复选中，t为所有被选择过的原子组成的矩阵；(5)达到设定迭代次数或残差小于设定值时，计算结束。OMP算法的流程如图4所示。图4OMP算法流程图Fig.4FlowchartofOMPalgorithm2.4分类策略本方法以测试信号与重构信号的匹配度[20]作为分类策略，匹配率根据2l-范数计算。首先，分别计算原信号和重构信号误差和两者总和的2l-范数，然后，将结果减去误差的2l-范数，最后计算其在总和中的占比。匹配度越高，信号越相似。其数学模型为2M21yy"Ryy"=+(8)式中：y表示测试信号；y"表示重构信号；2表示2l-范数。通过求解2l-范数来计算向量最大特征值的平方根。基于字典学习的稀疏表示分类的判别方法为：每一个测试信号通过4类字典稀疏重构，得到4个重构信号，分别计算重构信号与当前测试信号的匹配度，得到匹配度最高的重构信号，其对应字典可以最好地重构当前测试信号，随即判定当前测试信号类别与对应字典类别相同。
【参考文献】：
期刊论文
[1]水声目标识别技术现状与发展[J]. 强超超,王元斌. 指挥信息系统与技术. 2018(02)
[2]基于听觉感知特征的水下目标回波分类(英文)[J]. 李秀坤,孟祥夏,刘航,刘明晔. Journal of Marine Science and Application. 2014(02)
[3]基于非抽样小波字典的低速率视频编码[J]. 廖斌,许刚,王裕国. 软件学报. 2004(02)
[4]多分类器组合及其应用[J]. 韩宏,杨静宇. 计算机科学. 2000(01)
博士论文
[1]图像稀疏表示理论及其应用研究[D]. 邓承志.华中科技大学 2008
硕士论文
[1]信号稀疏表示理论及应用研究[D]. 赵亮.哈尔滨工程大学 2012
本文编号：3628652
【文章来源】：声学技术. 2020,39(05)北大核心CSCD
【文章页数】：7 页
【部分图文】：
稀疏表示原理图
554声学技术2020年图2DLSRC方法总框图Fig.2GeneralblockdiagramofDLSRCmethod试集导入Matlab程序中，训练集由字典学习算法训练出具有类别信息的字典，测试集赋初始类别标签。具体步骤如下：(1)导入实测信号：将信号分为训练集和测试集导入Matlab软件中；(2)加噪声：利用Matlab软件通过仿真给所有信号加入高斯噪声；(3)训练字典：采用K-SVD算法训练出各类对应的字典，分别标记为字典1、字典2、字典3、字典4；(4)标记测试信号：每类测试集附上各自的初始类别标签(测试集本身没有标签，此步是为了计算分类模型的准确率)；(5)计算稀疏系数：测试信号分别放入各类别字典中，经过正交匹配追踪(OrthogonalMatchingPursuit,OMP)算法得到不同的稀疏系数(每个测试信号产生4个稀疏系数)；(6)重构数据：由各类别字典及对应的稀疏系数重构出对应的数据；(7)计算匹配率：计算测试信号与其对应重构数据的匹配率(每个测试信号对应4个匹配度)；(8)判定标签：找到与测试信号匹配率最高的重构信号，判定类别与其对应字典相同；(9)计算准确率：判断初始类别标签和新的类别标签是否相同，相同即分类正确，统计正确个数，得到准确率。2.2基于训练学习的字典构造K-SVD算法主要由稀疏编码和更新字典两个步骤迭代。首先，由OMP算法计算稀疏编码矩阵，然后逐列更新字典(奇异值分解方法)，同时在当前字典下更新稀疏编码矩阵，最后反复迭代、更新，直到收敛或满足结束条件。K-SVD算法的流程图如图3所示。图3K-SVD字典学习算法流程图Fig.3Flowchartofk-SVDdictionarylearningalgorithm通过求解如式(4)的优化问题，得到最优字典D。具体实现步骤如下：(1)初始化：设训练集为字典D的初始矩阵，初始化稀疏编码矩阵X
，T1T()ttttP=为正交投影算子矩阵，具体实现步骤如下：(1)给定字典D，初始化残差0e=y，y为信号；(2)选择与残差内积绝对值最大的原子，表示为1；(3)将被选中的原子1作为列组成矩阵t(每次循环不清空)，计算t的正交投影算子矩阵P，通过目标函数计算残差1e。(4)对残差迭代执行(2)、(3)步，在迭代过程中被选择过的原子均与残差正交，不会重复选中，t为所有被选择过的原子组成的矩阵；(5)达到设定迭代次数或残差小于设定值时，计算结束。OMP算法的流程如图4所示。图4OMP算法流程图Fig.4FlowchartofOMPalgorithm2.4分类策略本方法以测试信号与重构信号的匹配度[20]作为分类策略，匹配率根据2l-范数计算。首先，分别计算原信号和重构信号误差和两者总和的2l-范数，然后，将结果减去误差的2l-范数，最后计算其在总和中的占比。匹配度越高，信号越相似。其数学模型为2M21yy"Ryy"=+(8)式中：y表示测试信号；y"表示重构信号；2表示2l-范数。通过求解2l-范数来计算向量最大特征值的平方根。基于字典学习的稀疏表示分类的判别方法为：每一个测试信号通过4类字典稀疏重构，得到4个重构信号，分别计算重构信号与当前测试信号的匹配度，得到匹配度最高的重构信号，其对应字典可以最好地重构当前测试信号，随即判定当前测试信号类别与对应字典类别相同。
【参考文献】：
期刊论文
[1]水声目标识别技术现状与发展[J]. 强超超,王元斌. 指挥信息系统与技术. 2018(02)
[2]基于听觉感知特征的水下目标回波分类(英文)[J]. 李秀坤,孟祥夏,刘航,刘明晔. Journal of Marine Science and Application. 2014(02)
[3]基于非抽样小波字典的低速率视频编码[J]. 廖斌,许刚,王裕国. 软件学报. 2004(02)
[4]多分类器组合及其应用[J]. 韩宏,杨静宇. 计算机科学. 2000(01)
博士论文
[1]图像稀疏表示理论及其应用研究[D]. 邓承志.华中科技大学 2008
硕士论文
[1]信号稀疏表示理论及应用研究[D]. 赵亮.哈尔滨工程大学 2012
本文编号：3628652
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3628652.html
