K-means与SVM结合的水下目标分类方法

戴　冬，卫　娟

(河南机电高等专科学校，河南 新乡 453000)

K-means与SVM结合的水下目标分类方法

戴冬，卫娟

(河南机电高等专科学校，河南 新乡 453000)

摘要：为促进海洋资源开发，提高海洋开发能力，本文对水下目标分类识别方法进行研究。首先，对水下目标分类方法进行概述，介绍较为常用的方法。然后，提出K-means与SVM结合的水下目标分类方法。该方法利用S变换进行图像预处理，提取不同分辨率下的不同特征作为分类的特征向量，通过K-means与SVM结合的分类识别方法进行分类。实验结果表明，该方法具有较高的识别率。

关键词：S变换；K-means；SVM

0引言

海洋面积占地球表面积的71%，在广袤的海洋中不但蕴含着丰富的生物资源，而且还富含石油、可燃冰、天然气、金属等丰富资源，因此，海洋开发技术的研究具有重要的科学价值和社会意义。随着陆地资源的日益紧张，各国将海洋资源开发逐步提升到战略高度，海洋开发技术的发展不仅是争取资源利益的有效途径，更是国家安全的有力保障。水下目标的探测、定位和识别是海洋开发领域中的重要组成部分。本文针对水下目标分类方法进行研究，提出一种K-means与SVM结合的分类识别方法。

1水下目标分类识别技术概述

水下目标分类识别是随着声呐技术、信号检测理论及计算机科学技术的不断进步而发展起来的，是声呐数据处理的重要环节。根据研究对象的不同可分为利用声波信号进行目标识别与利用水声图像进行目标识别两类。

1.1　基于声波信号的水下目标识别

声波是一种可以在水下进行远距离传播的能量形式，因此被广泛应用在水下探测、目标定位与识别中，其主要过程如图1所示。

图1　识别流程框图fig.1　Identify process

目前取得的研究成果如下：

1)20世纪60年代，美国推出声呐目标分类系统，即BQQ-3，该系统采用了1/3倍频程分析方法。

2)20世纪70年代中期，美国海军推出BQQ-5，该装备以拖线阵为主，配有频率分析器，可以检测船舶噪声的低频线谱。

3)印度研制出RECTSENOR水下被动目标识别系统。该系统将螺旋桨叶片数、螺旋桨转速、动力装置类型、目标壳体辐射低频噪声、活塞松动产生的谐音极品、喷嘴噪声、最大速度、槽极噪声和传动装置作为特征，利用监测线谱的方法，可以实现识别目标。

4)20世纪80年代，主要的研究成果包括美国斯坦福大学研制的HASP/SIAP、MITRE公司开发的具有目标识别功能的专家系统、日本研制的SK-8海岸预警体系、加拿大研制的INTERSENSOR信号分析专家系统，上述系统或装置采用线谱分析法。

1.2　基于水声图像的水下目标识别

随着计算机技术的飞速发展，水下目标分类识别技术逐步趋向智能化、自动化。由于声呐技术的不断进步，声呐成像分辨率越来越高，以计算机图像图形为核心的水下目标识别技术逐渐成为各国发展水中目标技术的研究热点和发展方向。基于水声图像的目标识别的总体框架如图2所示。

图2　识别流程框图fig.2　Identify process

此类方法主要包括以下3部分内容：

1)预处理

由于在水下特殊环境中，干扰杂质多，光源衰减严重，使得获取的目标图像质量不稳定，常会出现阴影、噪点、对比度下降等现象，因此需要对原始图像进行预处理，以减少干扰，保证图片所包含的有效信息量。目前，常用的图像降噪方法包括均值滤波器法、自适应维纳滤波器法、中值滤波器法、形态学噪声滤除器法及小波去噪法。在预处理过程中，值得注意的是图像去噪与图像增强在一定程度上存在着矛盾，因为消除噪声需要取出图像的高频部分，而高频部分往往是图像的边界区域，因此，如何处理好这一对矛盾是图像预处理过程的一个重要问题。

2)特征提取

图像特征提取是指对图像的一组测量值进行变换，从而突出能够代表该图像的序列信息。目前比较常用的特征提取包括时域波形结构特征分析法，例如过零点分布、峰间幅值分布、波长差分布等。频域特征提取法，例如：经典谱估计法、现代谱估计法、高阶谱估计等。时频域特征提取法(如小波变换)，也有混沌、分型等非线性处理方法。

3)分类器设计

分类器的作用是确定某一输入样本的特征向量属于每一个类别的可能概率。分类器需要考虑2个因素，分别是来自同一类别的不同个体之间特征值的波动和属于不同类别样本的特征值差异。

20世纪90年代后期，各国学者将人工神经网络引入到水下目标分类系统中，例如腾月慧[1]等提出的经验模式分解法，该方法利用二进制滤波的经验模式分解法进行特征值提取，然后利用BP神经网络进行分类识别，取得了较好的分类效果。石敏[2]等提出的基于小波变换和概率神经网络的水下目标识别算法，该算法利用小波变换获取税校目标辐射的噪声信号在不同尺度下的能量分布，将其作为特征向量，然后利用概率神经网络实现目标分类。

2基于K-means与SVM结合的水下目标分类算法

2.1　S变换

本文选取时频变化进行图像预处理，比较常用的频域方法有短时傅里叶变换、小波变换、Wigner-Ville分布。其中，傅里叶变换与小波变换为线性时频表示，均具有局部分析能力。但短时傅里叶变换由于当窗函数确定后，其时频分辨率就确定，不具有自适应能力。而小波变换需要选择适合的母小波，且处理较为复杂。Wigner-Ville分布可以描述瞬时功率谱密度，但存在交叉干扰。通过对各时频变化方法的分析，本文利用S变换结合傅里叶变换和小波变换进行图像去噪，它结合了傅里叶变换和小波变换的优点。

S变换是一种加时窗傅里叶变化方法，是对以Morlet小波为基础的连续小波变换思想的延伸。它的宽度特性与频率成反比例，高度特性与频率成线性关系，并且可以通过调节频率实现多频率分析S变换定义如下：

信号x(t)的一维S变换为：

(1)

X(t)的逆变换为：

(2)

高斯窗函数满足归一化条件，即：

(3)

信号在整个时间内的局部谱为：

(4)

S变换的性质主要包括以下4点：

1)局部性：S变换是非平稳信号x(t)的傅里叶变换的一般形式。

2)线性性质：含噪声的信号x(t)表示为：

x(t)=s(t)+n(t)，

(5)

其S变换为：

ST{x(t)}=ST{s(t)}+ST{n(t)}。

(6)

3)无损可逆性：从式(1)-式(3)可以看到，通过S变换，可以将信号从时域变换到频域，通过S反变换将信号从时域变换到频域，在这个过程中，没有信息的泄露。

4)时频分辨率好：由于高斯窗函数既是时间的函数，也是频率的函数，而窗的宽度由频率控制，低频时，时窗宽度大，高频时，时窗宽度小。进而在低频处可以获得较好的频率分辨率，在高频处可获得较好的时间分辨率[3]。

2.2　特征提取

本文的特征提取方法如下：

1)低频处：将系数矩阵的能力作为特征，能量定义如下：

(7)

式中：C(x,y,i,j)为在第i层第j个方向，大小为M×N的子代系数矩阵中坐标为(x,y)的Contourleta分解系数。

2)中频：系数矩阵的1阶、2阶矩作为特征，定义分别如下：

(8)

(9)

3)高频：将子带系数矩阵基于矩阵的奇异值分解降维后的向量作为特征。

2.3　K-means与SVM结合的分类器

K-means算法也成K均值法[4]，K-means算法的基本思想是先进行粗略分类，然后根据某种最优的原则修改不合理的分类，每一次分类都会在进行下一次迭代，直至分类结构合理为止，是一种无监督学习法。K-means算法是一种基于划分的聚类方法，划分聚类是将数据集划分成不互不相交的子集，同一子集内的对象是“相似”的，而不同子集内的对象是“相异”的。K-means算法具有以下优点：

1)可以应用在无法获得训练样本的模式识别中。

2)聚类算法可以获取有用星系，可用于复杂分类器的数据预处理过程。

3)聚类算法可用于数据挖掘。

SVM[5]的基本思想是在样本集之间寻找一个最优分界面，是一种监督式学习方法，它基于结构风险最小化准则，能够在训练误差和分类器容量之间达到较好的平衡。SVM的优点表现在以下几点：

1)SVM基于机构风险最小化原则和VC维理论，由有限的训练样本得到较小误差，从而使独立的测试集仍能够保持较小的误差，因此具有良好的泛化能力。

2)SVM的求解问题是一个凸优化问题，其局部最优解一定是全局最优解。

3)SVM应用核函数，将非线性问题转化为线性求解问题。

4)SVM可以使分类间隔最大化，因此SVM具有较好的鲁棒性。

在本文中，将无监督学习法K-means与监督式学习法SVM相结合，以避免各自的局限性，提高分类效果。首先利用K-means聚类算法对样本集进行初步聚类，然后根据各类中的样本数目及稀疏程度选取虚席样本，进行SVM分类器，利用SVM对原始样本集进行重新分类。K-means与SVM结合的分类方法过程如图3所示。

图3　分类流程框图Fig.3　Identify process

具体步骤描述如下：

1)初始聚类

设X(t)={x1(t), x2(t), x3(t), …xn(t)}为提取的特征值序列，将X(t)作为聚类的输入样本，利用K-means进行初始聚类，产生p个类别。

2)选取训练样本

根据步骤1的聚类结果，根据特征序列数量，选取该类别中与聚类中心距离较近的特征序列作为该类的训练样本。

3)SVM训练

根据步骤2得到的训练样本，利用SVM进行学习训练。

3实验与结论

本文的实验数据如下：选取的目标类别总数为4类，总共的样本数为450个，其中训练样本数为300，识别样本数为100，实验结果如表1所示。

表1　识别结果

在本文中，提出了一种K-means与SVM结合的水下目标分类方法，在该方法中，使用具有较好时频分辨率的S变换对图像进行预处理，去除噪声干扰，然后提取不同频率段的不同特征值作为特征向量，最后将K-means与SVM两种机器学习方法相结合，设计了K-means与SVM结合的分类算法，实验结果表明，该分类算法具有较高的识别率。

参考文献：

[1]石敏,徐袭,岳剑平.基于小波变换和概率神经网络的水下目标识别[J].舰船科学技术,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,刘平香,董阳泽.经验模式分解方法在水下目标分类中的应用[J].舰船科学技术,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-均值算法最佳聚类数确定方法[J].计算机工程与应用,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

作者简介：戴冬(1978-),女,硕士,讲师,研究方向为智能算法等。

基金项目：2014年河南省教育厅科学技术重点研究资助项目(14A520045)；2013年河南省教育厅科学技术研究重点资助项目(13A520221)

收稿日期：2014-05-21； 修回日期： 2014-08-03

文章编号：1672-7649(2015)02-0204-04

doi：10.3404/j.issn.1672-7649.2015.02.046

中图分类号：TP181

文献标识码：A