戴　冬，衛(wèi)　娟

(河南機(jī)電高等?？茖W(xué)校，河南 新鄉(xiāng) 453000)

K-means與SVM結(jié)合的水下目標(biāo)分類方法

戴冬，衛(wèi)娟

(河南機(jī)電高等?？茖W(xué)校，河南 新鄉(xiāng) 453000)

摘要：為促進(jìn)海洋資源開發(fā)，提高海洋開發(fā)能力，本文對(duì)水下目標(biāo)分類識(shí)別方法進(jìn)行研究。首先，對(duì)水下目標(biāo)分類方法進(jìn)行概述，介紹較為常用的方法。然后，提出K-means與SVM結(jié)合的水下目標(biāo)分類方法。該方法利用S變換進(jìn)行圖像預(yù)處理，提取不同分辨率下的不同特征作為分類的特征向量，通過K-means與SVM結(jié)合的分類識(shí)別方法進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的識(shí)別率。

關(guān)鍵詞：S變換；K-means；SVM

0引言

海洋面積占地球表面積的71%，在廣袤的海洋中不但蘊(yùn)含著豐富的生物資源，而且還富含石油、可燃冰、天然氣、金屬等豐富資源，因此，海洋開發(fā)技術(shù)的研究具有重要的科學(xué)價(jià)值和社會(huì)意義。隨著陸地資源的日益緊張，各國(guó)將海洋資源開發(fā)逐步提升到戰(zhàn)略高度，海洋開發(fā)技術(shù)的發(fā)展不僅是爭(zhēng)取資源利益的有效途徑，更是國(guó)家安全的有力保障。水下目標(biāo)的探測(cè)、定位和識(shí)別是海洋開發(fā)領(lǐng)域中的重要組成部分。本文針對(duì)水下目標(biāo)分類方法進(jìn)行研究，提出一種K-means與SVM結(jié)合的分類識(shí)別方法。

1水下目標(biāo)分類識(shí)別技術(shù)概述

水下目標(biāo)分類識(shí)別是隨著聲吶技術(shù)、信號(hào)檢測(cè)理論及計(jì)算機(jī)科學(xué)技術(shù)的不斷進(jìn)步而發(fā)展起來的，是聲吶數(shù)據(jù)處理的重要環(huán)節(jié)。根據(jù)研究對(duì)象的不同可分為利用聲波信號(hào)進(jìn)行目標(biāo)識(shí)別與利用水聲圖像進(jìn)行目標(biāo)識(shí)別兩類。

1.1　基于聲波信號(hào)的水下目標(biāo)識(shí)別

聲波是一種可以在水下進(jìn)行遠(yuǎn)距離傳播的能量形式，因此被廣泛應(yīng)用在水下探測(cè)、目標(biāo)定位與識(shí)別中，其主要過程如圖1所示。

圖1　識(shí)別流程框圖fig.1　Identify process

目前取得的研究成果如下：

1)20世紀(jì)60年代，美國(guó)推出聲吶目標(biāo)分類系統(tǒng)，即BQQ-3，該系統(tǒng)采用了1/3倍頻程分析方法。

2)20世紀(jì)70年代中期，美國(guó)海軍推出BQQ-5，該裝備以拖線陣為主，配有頻率分析器，可以檢測(cè)船舶噪聲的低頻線譜。

3)印度研制出RECTSENOR水下被動(dòng)目標(biāo)識(shí)別系統(tǒng)。該系統(tǒng)將螺旋槳葉片數(shù)、螺旋槳轉(zhuǎn)速、動(dòng)力裝置類型、目標(biāo)殼體輻射低頻噪聲、活塞松動(dòng)產(chǎn)生的諧音極品、噴嘴噪聲、最大速度、槽極噪聲和傳動(dòng)裝置作為特征，利用監(jiān)測(cè)線譜的方法，可以實(shí)現(xiàn)識(shí)別目標(biāo)。

4)20世紀(jì)80年代，主要的研究成果包括美國(guó)斯坦福大學(xué)研制的HASP/SIAP、MITRE公司開發(fā)的具有目標(biāo)識(shí)別功能的專家系統(tǒng)、日本研制的SK-8海岸預(yù)警體系、加拿大研制的INTERSENSOR信號(hào)分析專家系統(tǒng)，上述系統(tǒng)或裝置采用線譜分析法。

1.2　基于水聲圖像的水下目標(biāo)識(shí)別

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，水下目標(biāo)分類識(shí)別技術(shù)逐步趨向智能化、自動(dòng)化。由于聲吶技術(shù)的不斷進(jìn)步，聲吶成像分辨率越來越高，以計(jì)算機(jī)圖像圖形為核心的水下目標(biāo)識(shí)別技術(shù)逐漸成為各國(guó)發(fā)展水中目標(biāo)技術(shù)的研究熱點(diǎn)和發(fā)展方向?；谒晥D像的目標(biāo)識(shí)別的總體框架如圖2所示。

圖2　識(shí)別流程框圖fig.2　Identify process

此類方法主要包括以下3部分內(nèi)容：

1)預(yù)處理

由于在水下特殊環(huán)境中，干擾雜質(zhì)多，光源衰減嚴(yán)重，使得獲取的目標(biāo)圖像質(zhì)量不穩(wěn)定，常會(huì)出現(xiàn)陰影、噪點(diǎn)、對(duì)比度下降等現(xiàn)象，因此需要對(duì)原始圖像進(jìn)行預(yù)處理，以減少干擾，保證圖片所包含的有效信息量。目前，常用的圖像降噪方法包括均值濾波器法、自適應(yīng)維納濾波器法、中值濾波器法、形態(tài)學(xué)噪聲濾除器法及小波去噪法。在預(yù)處理過程中，值得注意的是圖像去噪與圖像增強(qiáng)在一定程度上存在著矛盾，因?yàn)橄肼曅枰〕鰣D像的高頻部分，而高頻部分往往是圖像的邊界區(qū)域，因此，如何處理好這一對(duì)矛盾是圖像預(yù)處理過程的一個(gè)重要問題。

2)特征提取

圖像特征提取是指對(duì)圖像的一組測(cè)量值進(jìn)行變換，從而突出能夠代表該圖像的序列信息。目前比較常用的特征提取包括時(shí)域波形結(jié)構(gòu)特征分析法，例如過零點(diǎn)分布、峰間幅值分布、波長(zhǎng)差分布等。頻域特征提取法，例如：經(jīng)典譜估計(jì)法、現(xiàn)代譜估計(jì)法、高階譜估計(jì)等。時(shí)頻域特征提取法(如小波變換)，也有混沌、分型等非線性處理方法。

3)分類器設(shè)計(jì)

分類器的作用是確定某一輸入樣本的特征向量屬于每一個(gè)類別的可能概率。分類器需要考慮2個(gè)因素，分別是來自同一類別的不同個(gè)體之間特征值的波動(dòng)和屬于不同類別樣本的特征值差異。

20世紀(jì)90年代后期，各國(guó)學(xué)者將人工神經(jīng)網(wǎng)絡(luò)引入到水下目標(biāo)分類系統(tǒng)中，例如騰月慧[1]等提出的經(jīng)驗(yàn)?zāi)Ｊ椒纸夥?，該方法利用二進(jìn)制濾波的經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ㄟM(jìn)行特征值提取，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別，取得了較好的分類效果。石敏[2]等提出的基于小波變換和概率神經(jīng)網(wǎng)絡(luò)的水下目標(biāo)識(shí)別算法，該算法利用小波變換獲取稅校目標(biāo)輻射的噪聲信號(hào)在不同尺度下的能量分布，將其作為特征向量，然后利用概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)分類。

2基于K-means與SVM結(jié)合的水下目標(biāo)分類算法

2.1　S變換

本文選取時(shí)頻變化進(jìn)行圖像預(yù)處理，比較常用的頻域方法有短時(shí)傅里葉變換、小波變換、Wigner-Ville分布。其中，傅里葉變換與小波變換為線性時(shí)頻表示，均具有局部分析能力。但短時(shí)傅里葉變換由于當(dāng)窗函數(shù)確定后，其時(shí)頻分辨率就確定，不具有自適應(yīng)能力。而小波變換需要選擇適合的母小波，且處理較為復(fù)雜。Wigner-Ville分布可以描述瞬時(shí)功率譜密度，但存在交叉干擾。通過對(duì)各時(shí)頻變化方法的分析，本文利用S變換結(jié)合傅里葉變換和小波變換進(jìn)行圖像去噪，它結(jié)合了傅里葉變換和小波變換的優(yōu)點(diǎn)。

S變換是一種加時(shí)窗傅里葉變化方法，是對(duì)以Morlet小波為基礎(chǔ)的連續(xù)小波變換思想的延伸。它的寬度特性與頻率成反比例，高度特性與頻率成線性關(guān)系，并且可以通過調(diào)節(jié)頻率實(shí)現(xiàn)多頻率分析S變換定義如下：

信號(hào)x(t)的一維S變換為：

(1)

X(t)的逆變換為：

(2)

高斯窗函數(shù)滿足歸一化條件，即：

(3)

信號(hào)在整個(gè)時(shí)間內(nèi)的局部譜為：

(4)

S變換的性質(zhì)主要包括以下4點(diǎn)：

1)局部性：S變換是非平穩(wěn)信號(hào)x(t)的傅里葉變換的一般形式。

2)線性性質(zhì)：含噪聲的信號(hào)x(t)表示為：

x(t)=s(t)+n(t)，

(5)

其S變換為：

ST{x(t)}=ST{s(t)}+ST{n(t)}。

(6)

3)無損可逆性：從式(1)-式(3)可以看到，通過S變換，可以將信號(hào)從時(shí)域變換到頻域，通過S反變換將信號(hào)從時(shí)域變換到頻域，在這個(gè)過程中，沒有信息的泄露。

4)時(shí)頻分辨率好：由于高斯窗函數(shù)既是時(shí)間的函數(shù)，也是頻率的函數(shù)，而窗的寬度由頻率控制，低頻時(shí)，時(shí)窗寬度大，高頻時(shí)，時(shí)窗寬度小。進(jìn)而在低頻處可以獲得較好的頻率分辨率，在高頻處可獲得較好的時(shí)間分辨率[3]。

2.2　特征提取

本文的特征提取方法如下：

1)低頻處：將系數(shù)矩陣的能力作為特征，能量定義如下：

(7)

式中：C(x,y,i,j)為在第i層第j個(gè)方向，大小為M×N的子代系數(shù)矩陣中坐標(biāo)為(x,y)的Contourleta分解系數(shù)。

2)中頻：系數(shù)矩陣的1階、2階矩作為特征，定義分別如下：

(8)

(9)

3)高頻：將子帶系數(shù)矩陣基于矩陣的奇異值分解降維后的向量作為特征。

2.3　K-means與SVM結(jié)合的分類器

K-means算法也成K均值法[4]，K-means算法的基本思想是先進(jìn)行粗略分類，然后根據(jù)某種最優(yōu)的原則修改不合理的分類，每一次分類都會(huì)在進(jìn)行下一次迭代，直至分類結(jié)構(gòu)合理為止，是一種無監(jiān)督學(xué)習(xí)法。K-means算法是一種基于劃分的聚類方法，劃分聚類是將數(shù)據(jù)集劃分成不互不相交的子集，同一子集內(nèi)的對(duì)象是“相似”的，而不同子集內(nèi)的對(duì)象是“相異”的。K-means算法具有以下優(yōu)點(diǎn)：

1)可以應(yīng)用在無法獲得訓(xùn)練樣本的模式識(shí)別中。

2)聚類算法可以獲取有用星系，可用于復(fù)雜分類器的數(shù)據(jù)預(yù)處理過程。

3)聚類算法可用于數(shù)據(jù)挖掘。

SVM[5]的基本思想是在樣本集之間尋找一個(gè)最優(yōu)分界面，是一種監(jiān)督式學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，能夠在訓(xùn)練誤差和分類器容量之間達(dá)到較好的平衡。SVM的優(yōu)點(diǎn)表現(xiàn)在以下幾點(diǎn)：

1)SVM基于機(jī)構(gòu)風(fēng)險(xiǎn)最小化原則和VC維理論，由有限的訓(xùn)練樣本得到較小誤差，從而使獨(dú)立的測(cè)試集仍能夠保持較小的誤差，因此具有良好的泛化能力。

2)SVM的求解問題是一個(gè)凸優(yōu)化問題，其局部最優(yōu)解一定是全局最優(yōu)解。

3)SVM應(yīng)用核函數(shù)，將非線性問題轉(zhuǎn)化為線性求解問題。

4)SVM可以使分類間隔最大化，因此SVM具有較好的魯棒性。

在本文中，將無監(jiān)督學(xué)習(xí)法K-means與監(jiān)督式學(xué)習(xí)法SVM相結(jié)合，以避免各自的局限性，提高分類效果。首先利用K-means聚類算法對(duì)樣本集進(jìn)行初步聚類，然后根據(jù)各類中的樣本數(shù)目及稀疏程度選取虛席樣本，進(jìn)行SVM分類器，利用SVM對(duì)原始樣本集進(jìn)行重新分類。K-means與SVM結(jié)合的分類方法過程如圖3所示。

圖3　分類流程框圖Fig.3　Identify process

具體步驟描述如下：

1)初始聚類

設(shè)X(t)={x1(t), x2(t), x3(t), …xn(t)}為提取的特征值序列，將X(t)作為聚類的輸入樣本，利用K-means進(jìn)行初始聚類，產(chǎn)生p個(gè)類別。

2)選取訓(xùn)練樣本

根據(jù)步驟1的聚類結(jié)果，根據(jù)特征序列數(shù)量，選取該類別中與聚類中心距離較近的特征序列作為該類的訓(xùn)練樣本。

3)SVM訓(xùn)練

根據(jù)步驟2得到的訓(xùn)練樣本，利用SVM進(jìn)行學(xué)習(xí)訓(xùn)練。

3實(shí)驗(yàn)與結(jié)論

本文的實(shí)驗(yàn)數(shù)據(jù)如下：選取的目標(biāo)類別總數(shù)為4類，總共的樣本數(shù)為450個(gè)，其中訓(xùn)練樣本數(shù)為300，識(shí)別樣本數(shù)為100，實(shí)驗(yàn)結(jié)果如表1所示。

表1　識(shí)別結(jié)果

在本文中，提出了一種K-means與SVM結(jié)合的水下目標(biāo)分類方法，在該方法中，使用具有較好時(shí)頻分辨率的S變換對(duì)圖像進(jìn)行預(yù)處理，去除噪聲干擾，然后提取不同頻率段的不同特征值作為特征向量，最后將K-means與SVM兩種機(jī)器學(xué)習(xí)方法相結(jié)合，設(shè)計(jì)了K-means與SVM結(jié)合的分類算法，實(shí)驗(yàn)結(jié)果表明，該分類算法具有較高的識(shí)別率。

參考文獻(xiàn)：

[1]石敏,徐襲,岳劍平.基于小波變換和概率神經(jīng)網(wǎng)絡(luò)的水下目標(biāo)識(shí)別[J].艦船科學(xué)技術(shù),2012,34(1)：85-87,

SHI Min,XU Xi,YUE Jian-ping.Underwater target recognition based on wavelet transform and probabilistic neural network[J].Ship Science and Technology,2012,34(1)：85-87.

[2]滕月慧,劉平香,董陽澤.經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄔ谒履繕?biāo)分類中的應(yīng)用[J].艦船科學(xué)技術(shù),2010,32(3)：66-69,124.

TENG Yue-hui,LIU Ping-xiang,DONG Yang-ze.The application of empirical mode decomposition to underwater targets classification[J].Ship Science and Technology,2010,32(3)：66-69,124.

[3]LI Bing，ZHANG Pei-lin，LIU Dong-sheng，et al.Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization[J].Journal of Sound and Vibration，2011,330(10):2388-2399.

[4]周世兵.新的K-均值算法最佳聚類數(shù)確定方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(16):27-31.

[5]PLATT J C.Fast training of SVMs using sequential mini-mal optimization[C]//Advances in Kernel MethodsSupport Vector Learning.Scholkopf B，Burges C J C，Smola A J，1998:185-208.

Research on target identification underwater method by K-means and SVM

DAI Dong,WEI Juan

(Henan Mechanical and Electrical Engineering College,Xinxiang 453000,China)

Abstract：To promote the development of marine resources, enhance the ability of marine development, underwater target classification and recognition methods were studied in this paper. First, this paper overviewed the underwater target classification, introduced methods used commonly. Then, K-means and SVM combination classification of underwater targets was proposed, the method using S-transform image preprocessing, extraction of the different characteristics of different resolutions as feature vector, and classified by K-means and SVM classification identification classification. Experimental results show that this method had a high recognition rate.

Key words：S transform; K-means; SVM

作者簡(jiǎn)介：戴冬(1978-),女,碩士,講師,研究方向?yàn)橹悄芩惴ǖ取?/p>

基金項(xiàng)目：2014年河南省教育廳科學(xué)技術(shù)重點(diǎn)研究資助項(xiàng)目(14A520045)；2013年河南省教育廳科學(xué)技術(shù)研究重點(diǎn)資助項(xiàng)目(13A520221)

收稿日期：2014-05-21； 修回日期： 2014-08-03

文章編號(hào)：1672-7649(2015)02-0204-04

doi：10.3404/j.issn.1672-7649.2015.02.046

中圖分類號(hào)：TP181

文獻(xiàn)標(biāo)識(shí)碼：A