[发明专利]一种基于支持向量机的识别系统及识别方法

权利要求书

1.一种基于支持向量机的识别系统，其特征在于，所述基于支持向量机的识别系统包括：数据训练集获取模块，图像数据差值处理模块，样本选取模块，分类模型生产模块，数据识别模块；

数据训练集获取模块：用于获取数据样本训练集；数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；

图像数据差值处理模块：对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，获得更佳的图像性能；

所述图像数据差值处理模块对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；

所述归一化互相关度量方法的公式如下：

P(x,y)=[Σv=0nΣu=0mT(u,v)S(x+u,y+v)]2Σv=0nΣu=0mS2(x+u,y+v);]]>

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n；

样本选取模块：用于执行选取同类样本和异类样本的步骤：对于数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本；

所述样本选取模块数据融合中心对收集到的感知信息进行数据融合，并依据恶意节点的恶意攻击模式计算全局的虚警概率；

第一步，根据各个节点的信噪比γ_i为每一个参与合作感知的次级用户CR_i,i＝1…k设计一个权重然后对收集得到的信号能量统计量U_i进行线性加权得到最终的信号能量的统计量

第二步，分析虚警恶意攻击模式对频谱感知造成的影响，得到全局虚警概率P_f和攻击概率p_a、攻击阈值η、攻击强度Δ之间的函数表达式如下：

Pf=Q(Σi=1kωi2(1+2γi)Q(Pd)+τsfs(Σi=1kωiγi+C1-C0σu2))]]>

其中：

分类模型生产模块：用于对于差样本对集合，采用支持向量机训练得到相似性判断模型，根据相似性判断模型得到分类模型；

数据识别模块包括：待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用分类模型对待识别差样本对集合进行分析，得到待识别数据样本与数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别；

所述数据识别模块的抗RSD攻击盲检测数字指纹方法的具体步骤如下：

指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；

在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2^k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；

在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i₀,j₀)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；

RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；

数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；

图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(I_ij)_8×8，F＝(F_uv)_8×8为B的DCT系数，其中I_ij为DCT嵌入块B的第i行j列个像素值，F_uv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为w_i(i＝1,2,…,n)，选取的嵌入位置为uv_i(i＝1,2,…,n)。

2.一种如权利要求1所述基于支持向量机的识别系统的识别方法，其特征在于，所述的识别方法包括以下步骤：

步骤一：获取数据训练集

用于获取数据样本训练集；所述数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；

步骤二：对数据训练集中的图像数据进行插值计算处理

对数据训练集中的图像数据进行插值计算处理，提高图像数据的准确性和图片的精度，获得更佳的图像性能；

步骤三：选取样本

用于执行选取同类样本和异类样本的步骤；对于所述数据样本训练集中的每一个数据样本，随机选取k个与该数据样本属于同一个类别的数据样本作为同类样本，随机选取k个与该数据样本属于不同类别的数据样本作为异类样本；

步骤四：分类模型生产模块

用于对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型；

采用核函数为高斯径向基函数的支持向量机训练得到所述相似性判断模型；可以根据一个相似性判断模型得到分类模型，也可以根据多个相似性判断模型得到分类模型；当根据一个相似性判断模型得到分类模型时，所述分类模型可以与所述相似性判断模型相同；当根据多个相似性判断模型得到分类模型时，所述分类模型可以是多个相似性判断模型的集合；

设x，z∈X，X属于R(n)空间，非线性函数Φ实现输入空间X到特征空间F的映射，其中F属于R(m)，n<<m；根据核函数技术有：

K(x，z)＝<Φ(x)，Φ(z)>；

其中：<，>为内积，K(x，z)为核函数；从公式可以看出，核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算，从而解决了在高维特征空间中计算的维数灾难；

本步骤中的高斯径向基函数指的是径向基函数中的高斯核函数。

所谓径向基函数,就是某种沿径向对称的标量函数；通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小；

最常用的径向基函数是高斯核函数,形式为k(||x-xc||)＝exp{-||x-xc||^2/2*σ^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围；

步骤五：采用分类模型进行数据识别；待识别数据样本获取单元，用于获取待识别数据样本；待识别差样本对集合生成单元，用于分别从所述数据训练集每一类别的样本集合中随机选取k个数据样本，生成2k个待识别差样本对，得到待识别差样本对集合；相似性概率计算单元，用于利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别数据样本与所述数据训练集中每一类的相似性概率；类别确定单元，用于根据所述相似性概率，确定所述待识别数据样本归属的类别。