申请/专利权人：西安电子科技大学

申请日：2021-05-28

公开（公告）日：2024-04-02

公开（公告）号：CN113325380B

主分类号：G01S7/41

分类号：G01S7/41;G06F18/24;G06F18/214;G06F18/213;G06F18/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.09.17#实质审查的生效;2021.08.31#公开

摘要：本发明公开了一种基于蒙德里安森林的空中微动目标分类在线建库方法，主要解决现有技术无法利用新样本集快速提升RF模型的分类性能，浪费人力物力资源的问题。其实现方案是：生成初始训练样本集、新增训练样本集、测试样本集，并分别对其进行特征提取，获得初始训练样本集的特征矩阵、新增训练样本集的特征矩阵、测试样本集的特征矩阵；将初始训练样本集的特征矩阵输入到MF分类器进行训练，得到预训练模型；利用新增训练样本集的特征矩阵，更新预训练模型获得新模型；将测试样本集的特征矩阵输入到新模型，得到测试样本集的分类结果。本发明利用新样本集高效地更新MF模型，提升了对空中飞机目标的分类正确率，可用于目标识别。

主权项：1.一种基于蒙德里安森林的空中微动目标分类在线建库方法，其特征在于，包括：建立包含微动目标雷达回波信号的初始训练样本集，并对其进行特征提取，得到初始训练样本集的特征矩阵FO；建立包含微动目标雷达回波信号的新增训练样本集，并对其进行特征提取，得到新增训练样本集的特征矩阵FI；建立包含微动目标雷达回波信号的测试样本集，并对其进行特征提取，得到测试样本集的特征矩阵FT；在蒙德里安森林MF模型中设置A棵蒙德里安树，10≤A≤50，将初始训练样本集的特征矩阵FO输入到该MF模型，通过蒙德里安树生成算法对每棵蒙德里安树进行训练，直到训练完A棵蒙德里安树，得到预训练MF模型；所述通过蒙德里安树生成算法对每棵蒙德里安树进行训练，实现如下：6a初始化树Tt，树Tt中包含一个根节点ε，将初始训练样本集的特征矩阵FO输入到ε中，并设置树Tt的生存时间参数λ，其中，t∈[1,A]；6b设置树Tt的迭代节点j，将迭代节点j初始化为根节点ε，执行6c；6c计算迭代节点j上样本集的特征矩阵Fj在各特征维度dm∈[1,d]上的上界uj,dm和下界lj,dm，得到迭代节点j对应的超空间Bj各维度上的范围，其中，d表示特征向量的维数；6d计算超空间Bj所有维度上下界间距之和从以θj为率指数的指数分布中抽样，得到时间抽样值E；6e判断τparentj+E＜λ是否成立：若是，则设置τj＝τparentj+E，执行6f，其中，τparentj表示迭代节点j的父节点parentj对应的分裂时限，对于根节点ε，其对应的τparentε＝0，τj表示迭代节点j对应的分裂时限，否则，设置τj＝λ，将迭代节点j作为树Tt的叶子节点，并结束程序；6f根据超空间Bj在每个维度dm∈[1,d]的上下界间距，计算迭代节点j上分裂特征维度δj选为维度dm的概率：根据该概率，抽样获得迭代节点j的分裂特征维度δj；6g根据迭代节点j的超空间Bj在维度δj上的上下界间距，从区间上抽样，将抽样值作为迭代节点j的分裂门限ξj，其中表示超空间Bj在维度δj上的上界值，表示超空间Bj在维度δj上的下界值；6h创建迭代节点j的左子节点leftj和右子节点rightj，创建空的特征向量集Fleftj和Frightj，判断迭代节点j中样本集的特征矩阵Fj中各样本特征向量在维度δj上的特征值是否小于等于分裂门限ξj：若是，则将样本特征向量输入到左子节点的特征向量集Fleftj中，否则，将样本特征向量输入到右子节点的特征向量集Frightj中，其中，Fleftj表示节点leftj中包含的训练样本特征向量，Frightj表示节点rightj中包含的训练样本特征向量；6i将Fleftj和Frightj分别输入到左子节点leftj和右子节点rightj中；6j将迭代节点j更新为左子节点leftj，执行6c；6k将迭代节点j更新为右子节点rightj，执行6c；利用新增训练样本集的特征矩阵FI，通过蒙德里安树扩展算法，对预训练MF模型中每棵训练好的蒙德里安树进行更新，直到更新完A棵蒙德里安树，得到新的MF模型；所述通过蒙德里安树扩展算法对预训练MF模型中每棵蒙德里安树进行更新，实现如下：7a依次取新增训练样本集的特征矩阵FI中各样本特征向量x，将其输入到树Tt的根节点ε中，其中，t∈[1,A]；7b设置树Tt的迭代节点j，将迭代节点j初始化为根节点ε，执行7c；7c计算新样本特征向量x在各维度上与迭代节点j的超空间Bj上边界uj的差值eu和x在各维度上与超空间Bj下边界lj的差值el：eu＝maxx-uj,0，el＝maxlj-x,0；7d计算el和eu在各维度dm∈[1,d]上的元素之和从以θe为率指数的指数分布中抽样，得到时间抽样值E，其中表示el在维度dm上的元素，表示eu在维度dm上的元素，d表示特征向量的维数；7e判断τparentj+E＜τj是否成立：若是，则执行7f到7j，否则，执行7k到7m；7f根据el和eu各维度dm∈[1,d]的元素之和，计算分裂特征维度选为各维度的概率：根据该概率，抽样获得分裂特征维度δ；7g判断新样本特征向量x在维度δ上的特征值xδ是否大于迭代节点j超空间在维度δ上的上边界值即若是，则从取值区间上抽样，将抽样值作为分裂门限ξ，否则，从区间上均匀采样，获得分裂门限ξ，其中，表示节点j超空间在维度δ上的下边界值；7h创建一个新节点j'，令δj'＝δ，ξj'＝ξ，τj'＝τparentj+E，lj'＝minlj,x，uj'＝maxuj,x，并利用新节点j'代替迭代节点j在树中的位置，其中δj'表示节点j'的分裂特征维度，ξj'表示节点j'的分裂门限，τj'表示节点j'的分裂时限，lj'表示节点j'超空间各维度的下界值，uj'表示节点j'超空间的上界值；7i创建一个新叶子节点j”，将新样本特征向量x输入到该叶子节点j”中；7j判断新样本特征向量x在维度δj'上的特征值是否大于ξj'：若是，则将迭代节点j作为新节点j'的右子节点，将新叶子节点j”作为新节点j'的左子节点；否则，将迭代节点j作为新节点j'的左子节点，将新叶子节点j”作为节点j'的左子节点；7k根据新样本特征向量x，更新迭代节点j的超空间上边界uj和下边界lj：lj＝minlj,x，uj＝maxuj,x；7l判断迭代节点j是否为叶子节点，若是，则结束程序，否则，执行7m；7m判断新样本特征向量x维度δj上的特征值是否小于等于迭代节点j的分裂门限ξj：若是，则将新样本特征向量x输入到迭代节点j的左子节点leftj中，将迭代节点j更新为左子节点leftj，返回7c，否则，将新样本特征向量x输入到迭代节点j的右子节点rightj中，将迭代节点j更新为右子节点rightj，返回7c；将测试样本集的特征矩阵FT输入到新的MF模型，得到测试样本集的分类结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于蒙德里安森林的空中微动目标分类在线建库方法

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