主動(dòng)聲吶目標(biāo)分類在軍事和民用方面都有重要的應(yīng)用和價(jià)值。文章基于稀疏表示理論,結(jié)合K-奇異值分解和正交匹配追蹤算法,提出一種基于學(xué)習(xí)字典的稀疏表示分類方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇異值分解算法訓(xùn)練各個(gè)類別目標(biāo)回波信號(hào),得到帶有目標(biāo)特征信息的類別字典,類別字典對(duì)信號(hào)具有良好表征能力并且?guī)в心繕?biāo)類別信息;然后,利用正交匹配追蹤算法和各個(gè)類別字典稀疏分解測試信號(hào),得到各個(gè)類別字典下的稀疏系數(shù)后重構(gòu)信號(hào);最后,根據(jù)各個(gè)重構(gòu)信號(hào)與測試信號(hào)的匹配度判定類別,得到分類準(zhǔn)確率。結(jié)果顯示,200個(gè)測試數(shù)據(jù)在信噪比分別為-5、-3、6 dB時(shí),DLSRC法的分類準(zhǔn)確率分別達(dá)到87%、89%、95.5%。不同信噪比下基于學(xué)習(xí)字典稀疏表示分類方法的準(zhǔn)確率均高于已有的支持向量機(jī)（SupportVectorMachine, SVM）、K-最近鄰（K-Nearest Neighbor, KNN）和柔性最大值分類器（SoftMax）等分類方法,具有較好的分類性能。 

【文章來源】：聲學(xué)技術(shù). 2020,39(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

稀疏表示原理圖

554聲學(xué)技術(shù)2020年圖2DLSRC方法總框圖Fig.2GeneralblockdiagramofDLSRCmethod試集導(dǎo)入Matlab程序中，訓(xùn)練集由字典學(xué)習(xí)算法訓(xùn)練出具有類別信息的字典，測試集賦初始類別標(biāo)簽。具體步驟如下：(1)導(dǎo)入實(shí)測信號(hào)：將信號(hào)分為訓(xùn)練集和測試集導(dǎo)入Matlab軟件中；(2)加噪聲：利用Matlab軟件通過仿真給所有信號(hào)加入高斯噪聲；(3)訓(xùn)練字典：采用K-SVD算法訓(xùn)練出各類對(duì)應(yīng)的字典，分別標(biāo)記為字典1、字典2、字典3、字典4；(4)標(biāo)記測試信號(hào)：每類測試集附上各自的初始類別標(biāo)簽(測試集本身沒有標(biāo)簽，此步是為了計(jì)算分類模型的準(zhǔn)確率)；(5)計(jì)算稀疏系數(shù)：測試信號(hào)分別放入各類別字典中，經(jīng)過正交匹配追蹤(OrthogonalMatchingPursuit,OMP)算法得到不同的稀疏系數(shù)(每個(gè)測試信號(hào)產(chǎn)生4個(gè)稀疏系數(shù))；(6)重構(gòu)數(shù)據(jù)：由各類別字典及對(duì)應(yīng)的稀疏系數(shù)重構(gòu)出對(duì)應(yīng)的數(shù)據(jù)；(7)計(jì)算匹配率：計(jì)算測試信號(hào)與其對(duì)應(yīng)重構(gòu)數(shù)據(jù)的匹配率(每個(gè)測試信號(hào)對(duì)應(yīng)4個(gè)匹配度)；(8)判定標(biāo)簽：找到與測試信號(hào)匹配率最高的重構(gòu)信號(hào)，判定類別與其對(duì)應(yīng)字典相同；(9)計(jì)算準(zhǔn)確率：判斷初始類別標(biāo)簽和新的類別標(biāo)簽是否相同，相同即分類正確，統(tǒng)計(jì)正確個(gè)數(shù)，得到準(zhǔn)確率。2.2基于訓(xùn)練學(xué)習(xí)的字典構(gòu)造K-SVD算法主要由稀疏編碼和更新字典兩個(gè)步驟迭代。首先，由OMP算法計(jì)算稀疏編碼矩陣，然后逐列更新字典(奇異值分解方法)，同時(shí)在當(dāng)前字典下更新稀疏編碼矩陣，最后反復(fù)迭代、更新，直到收斂或滿足結(jié)束條件。K-SVD算法的流程圖如圖3所示。圖3K-SVD字典學(xué)習(xí)算法流程圖Fig.3Flowchartofk-SVDdictionarylearningalgorithm通過求解如式(4)的優(yōu)化問題，得到最優(yōu)字典D。具體實(shí)現(xiàn)步驟如下：(1)初始化：設(shè)訓(xùn)練集為字典D的初始矩陣，初始化稀疏編碼矩陣X

，T1T()ttttP=為正交投影算子矩陣，具體實(shí)現(xiàn)步驟如下：(1)給定字典D，初始化殘差0e=y，y為信號(hào)；(2)選擇與殘差內(nèi)積絕對(duì)值最大的原子，表示為1；(3)將被選中的原子1作為列組成矩陣t(每次循環(huán)不清空)，計(jì)算t的正交投影算子矩陣P，通過目標(biāo)函數(shù)計(jì)算殘差1e。(4)對(duì)殘差迭代執(zhí)行(2)、(3)步，在迭代過程中被選擇過的原子均與殘差正交，不會(huì)重復(fù)選中，t為所有被選擇過的原子組成的矩陣；(5)達(dá)到設(shè)定迭代次數(shù)或殘差小于設(shè)定值時(shí)，計(jì)算結(jié)束。OMP算法的流程如圖4所示。圖4OMP算法流程圖Fig.4FlowchartofOMPalgorithm2.4分類策略本方法以測試信號(hào)與重構(gòu)信號(hào)的匹配度[20]作為分類策略，匹配率根據(jù)2l-范數(shù)計(jì)算。首先，分別計(jì)算原信號(hào)和重構(gòu)信號(hào)誤差和兩者總和的2l-范數(shù)，然后，將結(jié)果減去誤差的2l-范數(shù)，最后計(jì)算其在總和中的占比。匹配度越高，信號(hào)越相似。其數(shù)學(xué)模型為2M21yy"Ryy"=+(8)式中：y表示測試信號(hào)；y"表示重構(gòu)信號(hào)；2表示2l-范數(shù)。通過求解2l-范數(shù)來計(jì)算向量最大特征值的平方根�；谧值鋵W(xué)習(xí)的稀疏表示分類的判別方法為：每一個(gè)測試信號(hào)通過4類字典稀疏重構(gòu)，得到4個(gè)重構(gòu)信號(hào)，分別計(jì)算重構(gòu)信號(hào)與當(dāng)前測試信號(hào)的匹配度，得到匹配度最高的重構(gòu)信號(hào)，其對(duì)應(yīng)字典可以最好地重構(gòu)當(dāng)前測試信號(hào)，隨即判定當(dāng)前測試信號(hào)類別與對(duì)應(yīng)字典類別相同。

【參考文獻(xiàn)】：
期刊論文
[1]水聲目標(biāo)識(shí)別技術(shù)現(xiàn)狀與發(fā)展[J]. 強(qiáng)超超,王元斌.  指揮信息系統(tǒng)與技術(shù). 2018(02)
[2]基于聽覺感知特征的水下目標(biāo)回波分類(英文)[J]. 李秀坤,孟祥夏,劉航,劉明曄.  Journal of Marine Science and Application. 2014(02)
[3]基于非抽樣小波字典的低速率視頻編碼[J]. 廖斌,許剛,王裕國.  軟件學(xué)報(bào). 2004(02)
[4]多分類器組合及其應(yīng)用[J]. 韓宏,楊靜宇.  計(jì)算機(jī)科學(xué). 2000(01)

博士論文
[1]圖像稀疏表示理論及其應(yīng)用研究[D]. 鄧承志.華中科技大學(xué) 2008

碩士論文
[1]信號(hào)稀疏表示理論及應(yīng)用研究[D]. 趙亮.哈爾濱工程大學(xué) 2012



本文編號(hào)：3628652