[发明专利]一种水下目标结构化稀疏特征提取方法

权利要求书

1.一种水下目标结构化稀疏特征提取方法，其特征在于步骤如下：

步骤1：对水下目标辐射噪声信号y进行分帧、去直流和能量归一化预处理；

步骤2：将各帧信号基于离散傅立叶字典D分解展开：

y(n)＝Dx(n)

式中，x(n)是时域帧信号y(n)基于字典D的分解系数；

其中，字典D的各个列向量为字典原子，它们是具有单位长度的傅立叶正交基；字典的行数与各帧样本的长度保持一致，列数根据信号时频谱中线谱成分出现的频率范围以及数量确定；字典中每一列傅立叶基函数应从包含线谱成分的频段中进行选取；

步骤3：采用层次贝叶斯模型对帧信号基于离散傅立叶字典的分解过程进行建模，构建的层次贝叶斯模型中假设信号y基于字典D的分解系数x服从多元高斯分布，均值和协方差分别用随机变量μ,∑表示，对于相邻的M帧信号，噪声n_i＝y_i-Φx_i,i＝1,2,…,M也服从高斯分布，均值都为0，精确度即方差倒数均为α₀，其中α₀和α＝{α₁,α₂,…,α_N}均服从Gamma分布，即α₀～Gamma(a,b)，α～Gamma(c,d)，a，b，c，d均为模型的超参量，字典

步骤4：对构建的层次贝叶斯模型，运用贝叶斯变分算法对隐随机变量进行推断，用均值μ作为分解系数x的估计；相邻的M帧信号联合求解得到M组信号稀疏分解系数；设最大迭代次数Nmaxiter，所采用的贝叶斯变分算法推断过程如下：

for n＝1,…,N_maxiter

for i＝1,…,M

updateΣ_i～p(Σ_i|α₀,α,y_i)

update u_i～p(u_i|α₀,Σ_i,y_i)

update a,b,c,d

updateα₀～Gamma(a,b)

updateα～Gamma(c,d)

步骤5：从相邻M帧信号y₁,y₂,…,y_M的M组分解系数x₁,x₂,…,x_M中，选择最中间的一组分解系数：若M为偶数，取x_M/2；若M为奇数，取x_(M+1)/2；并作能量归一化处理，作为该组连续M帧信号的多帧联合块结构化稀疏特征。

2.一种衡量权利要求1得到的多帧联合块结构化稀疏特征的分类性能方法，其特征在于：

步骤1：从样本集中随机选择一部分作为训练样本，剩下的作为测试样本；对用于训练的样本进行目标特征提取，与相应类标信息一起送入分类器中，用交叉验证训练出一个最佳分类器模型；

步骤2：对测试样本进行特征提取，送入分类器模型计算识别正确率；

步骤3：重复步骤1～2若干次，计算平均识别正确率，用于衡量该特征的分类性能高低。

3.根据权利要求2所述的衡量分类性能方法，其特征在于所述步骤1中的选择一部分样本为1/3。