[发明专利]一种基于更新权值支持向量机的水声目标识别方法

权利要求书

1.一种基于更新权值支持向量机的水声目标识别方法，其特征在于：具体包括以下步骤：

步骤一：采集两类水声目标样本数据，添加类别标签，建立水声目标样本库；

步骤二：对水声目标样本库进行MFCC处理，输出动态特征；

步骤三：选取高斯径向基核函数作为核函数，给定拉格朗日乘子α和对应的权值表达式ω＝∑_iα_iy_iφ(x_i)，i＝1,2,...,n，n为样本数，y_i为类别标签，φ()表示特征映射函数，x_i为样本数据；使用30％的动态特征作为训练样本，对所述训练样本使用双坐标下降法循环迭代出最优的α值和权值ω；根据最优的α值和权值ω构建权值更新的支持向量机识别模型；

步骤四：利用剩下的70％动态特征样本对所述构建的权值更新的支持向量机识别模型进行模型交叉验证和模型评价；

步骤五：统计构建的权值更新的支持向量机识别模型的识别正确率，评价支持向量机识别模型的性能；

步骤六：使用得到的基于更新权值的支持向量机的水声目标识别模型对实采数据进行识别。

2.根据权利要求1所述的方法，其特征在于：在步骤一中，对采集到的水声目标样本数据分类标记，分别标记为“+1”和“-1”。

3.根据权利要求2所述的方法，其特征在于：在步骤二中，对水声目标样本数据依次进行以下操作：

步骤2.1、对水声目标样本数据进行预加重、分帧和加窗处理；所述预加重即是提高高频部分在传输端的衰减，增加信噪比；所述分帧处理就是将水声目标样本分割成以固定时间段的帧序列；所述加窗处理采用汉明窗；

步骤2.2、对每一帧数据进行快速傅里叶变换；

步骤2.3、绝对值检波或者平方检波；

步骤2.4、梅尔滤波；

步骤2.5、取对数，离散余弦变换；

步骤2.6、输出动态特征。

4.根据权利要求3所述的方法，其特征在于：在步骤三中，假设训练样本数据集为n为样本数，为数据空间，N为维度，动态特征映射到高维空间能够被一个超平面(ω·x)+b＝0分开，式中b∈R，R为实数，使正例样本和负例样本分布在超平面两侧，距离超平面最近的向量称为支持向量，此时寻找一个超平面使得距离正例支持向量和负例支持向量的距离最大化，因此将问题转化为一个凸二次规划问题：

以上的优化问题包含了一个凸二次优化对象并且线性可分，概括来说就是需找最优超平面的二次最优化，在matlab中用quadprog函数求解拉格朗日乘子；

式(1)转化为如下对偶问题：

式(2)中α为拉格朗日乘子，C是一个常数，控制支持向量机识别模型的拟合程度；κ是核函数；f()为决策函数；

通过求解式(1)和式(2)可以得出权值表达式为：

预测结果表达式为：

sgn(ω^Tφ(x)) (4)

其中x为输入向量。

5.根据权利要求4所述的方法，其特征在于：所述双坐标下降法具体为：

步骤3.1、给定拉格朗日乘子α及其相对应的权值表达式ω＝∑_iα_iy_iφ(x_i)；

步骤3.2、计算在特征映射φ下的欧式长度的平方值，记为Q_ii：

步骤3.3、选取α值进入循环，循环n次；

步骤3.4、计算梯度G＝y_iω^Tφ(x_i)-1，梯度趋于零得出最优α值和权值ω，否则执行步骤3.5和步骤3.6，更新α值和权值ω；

步骤3.5、更新α值：α_i←min(max(α_i-G/Q_ii,0),C)，为估计值；

步骤3.6、更新权值ω：

6.根据权利要求5所述的方法，其特征在于：在步骤四中，挑选30％的动态特征样本数据作为交叉验证评估模型参数，对所述构建的权值更新的支持向量机识别模型进行模型交叉验证；挑选40％的动态特征样本数据作为评价模型参数，对所述构建的权值更新的支持向量机识别模型进行模型评价。