[发明专利]一种基于支持向量机的识别系统及识别方法

说明书

技术领域

本发明属于支持向量机领域，尤其涉及一种基于支持向量机的识别系统及识别方法。

背景技术

支持向量机是在统计学习理论的基础上发展起来的一种新的机器学习方法，它是建立在统计学习理论的VC维理论和结构风险最小化原则上的，避免了局部极小点，并能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。支持向量机在解决小样本、非线性及高维模式识别问题中表现出的许多特有的优势，使它成为一种优秀的机器学习算法。支持向量机目前已经广泛地应用于模式识别、回归估计、概率密度估计等各个领域。不仅如此,支持向量机的出现推动了基于核的学习方法(Kernel-based Learning Methods)的迅速发展,该方法使得研究人员能够高效地分析非线性关系,而这种高效率原先只有线性算法才能得到。

综上所述，现有技术存在的问题是：支持向量机需要处理大量数据，然而对图像数据处理不够准确，精度不高，效果不佳；同时对于相似数据的识别性能不高。

发明内容

针对现有技术存在的问题，本发明提供了一种基于支持向量机的识别系统及识别方法，

本发明是这样实现的，一种基于支持向量机的识别系统包括：基于支持向量机的识别系统，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：

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：

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；