申请/专利权人：北京联合大学

申请日：2020-01-07

公开（公告）日：2023-11-17

公开（公告）号：CN111222575B

主分类号：G06F18/25

分类号：G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2023.11.17#授权;2020.06.26#实质审查的生效;2020.06.02#公开

摘要：本发明提供一种基于HRRP目标识别的KLXS多模型融合方法及系统，其中方法包括生成原始训练样本集还包括以下步骤：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；进行样本降噪；基于多模型融合方法构造强化特征；构建分类模型；构建未知样本集X的强化特征；对未知样本结果进行预测；统计准确率。本发明提出的基于HRRP目标识别的KLXS多模型融合方法及系统，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。

主权项：1.一种基于HRRP目标识别的KLXS多模型融合方法，包括生成原始训练样本集，其特征在于，还包括以下步骤：步骤1：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；步骤2；进行样本降噪；步骤3：基于多模型融合方法构造强化特征，对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M1P1和基于所述Logistic模型的输出M2P2，训练过程均采用K折交叉验证；所述多模型融合方法包括以下子步骤：步骤31：将原始训练数据集的初始矩阵划分为2个部分：TrainA和TrainB；步骤32：用所述TrainA训练模型Mn，然后在所述TrainB上进行预测得到pred3和pred4；步骤33：用所述TrainB训练模型Mn，然后在所述TrainA上进行预测得到pred1和pred2；步骤34：把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型Mn的输出MnPn，其中，n＝1，2；将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{Pi，Yi|1≤i≤m}，其中，Pi＝[M1pi，M2pi]，m为样本数量；步骤4：构建分类模型；对所述训练集样本DQ和每一个标记项yj，1≤j≤q，训练最终分类模型M，q为分类数；步骤5：构建未知样本集的强化特征；步骤6：对未知样本结果进行预测；步骤7：统计准确率。

全文数据：

权利要求：

百度查询： 北京联合大学 一种基于HRRP目标识别的KLXS多模型融合方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD