基于EEMD-SVM非平衡决策树的人员及车辆识别方法

赵春晖, 王 杨, 唐胜武,2, 王祎帆

(1. 哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001;2. 中国电子科技集团公司 第四十九研究所, 黑龙江 哈尔滨 150001)



基于EEMD-SVM非平衡决策树的人员及车辆识别方法

赵春晖1, 王 杨1, 唐胜武1,2, 王祎帆1

(1. 哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001;2. 中国电子科技集团公司 第四十九研究所, 黑龙江 哈尔滨 150001)

通过对人员、轮式车、履带车产生的地震动信号进行分析,建立人员及车辆识别系统模型.针对人员及车辆产生的地震动信号的非线性和非平稳特征,采用集成经验模态分解(ensemble empirical mode decomposition, EEMD)算法对实测人员、车辆产生的地震动信号进行分解,然后对分解得到的固有模态函数(intrinsic mode function, IMF)高频分量进行小波阈值去噪.选取有效的IMF分量,计算其归一化能量特征矩阵.再将特征矩阵输入到支持向量机(support vector machine, SVM)非平衡决策树分类器中,进行人员、轮式车和履带车的逐层识别.实验结果表明,EEMD-SVM非平衡决策树模型可以准确、高效地对人员、轮式车和履带车进行分类识别.

集成经验模态分解; 固有模态函数; 能量特征矩阵; SVM非平衡决策树分类器

随着军事技术的进步与发展,我国边境附近的信息侦察技术正向立体化、精确化、综合化方向发展.具有全天候、全天时、被动式探测的无人值守传感器系统(untended ground sensor, UGS)成为当前优先发展的侦察技术之一[1].其中,地震动传感器是一种普遍使用的地面传感器,它通过记录地震波来探测目标.地震动传感器的探测距离远、灵敏度高,通常可以探测到50 m以内运动的人员以及200m以内的车辆[2].

在地面运动目标的识别过程中,人员及车辆产生的地震动信号的预处理及分类器的选择是地面运动目标识别的关键与核心.近些年,对人员、车辆产生的地震动信号处理方法主要有短时傅里叶变换[3]、Wigner-Ville分布[4]等,但这些方法都有各自的不足,限制了相应的应用范围.短时傅里叶变换中信号的时频分辨率受限于所选择的窗函数,时频图的时频分辨率聚集性相对较低,不能体现信号能量分布的细节,所以该方法无法处理非平稳的的地震动信号;Wigner-Ville分布具有很高的时频分辨率,然而该分布会产生交叉干扰项,存在虚假分量,将其应用到实际工程中具有一定的缺陷.

Huang等在1998年提出经验模态分解(empirical mode decomposition, EMD)算法, 为信号处理研究开辟了一种新的思路[5]. 2009年, Huang等针对EMD方法的不足, 提出了一种噪声辅助数据分析方法EEMD, 解决了EMD方法的模态混叠现象. EEMD是一种处理非线性信号的方法, 与以往的信号处理方法不同, EEMD无需使用无意义的谐波来表达信号. 该算法在原始信号中多次加入高斯白噪声,再取IMF分量的平均值作为最终的分解结果. 因此,它在拥有EMD优点的基础之上, 具有更强大的抗模态混叠能力[6]. 同时,它具有很好的时频聚集性, 非常适合分析处理非线性、非平稳的震动信号[7].陈仁翔等人于2012年提出采用EEMD方法抑制信号中的噪声, 进行滤波处理[8]; 曾彭等人于2015年通过EEMD方法对信号进行分解, 并计算IMF能量进行信号分析[9].目前,EEMD作为信号处理的热点研究方法, 已经被广泛的应用到气象学[10]、经济学[11]、生物医学[12]、故障诊断[13]等各方面.

目前,在地面运动目标人员及车辆地震动信号的识别研究中面临的主要问题有[14]:①人、车辆等地面运动目标产生的地震动信号属于非平稳随机信号,信号的建模与分析存在一定难度;②目标所处环境复杂多变,会对提取的信号造成不同程度的干扰,影响识别结果;③地面运动目标类型复杂多样,无法建立起大型的目标数据库.

为解决上述问题,本文提出了EEMD-SVM非平衡决策树的方法.利用EEMD良好的自适应性和完备性,可以处理非线性非平稳信号的优势以及SVM非平衡决策树法可以对小样本数据进行识别的优点,建立EEMD-SVM非平衡决策树模型,实现人员及车辆的分类识别.

1 基于EEMD的人员及车辆震动信号特征提取

1.1 EEMD算法

EEMD算法的实质是在原始信号中加入了高斯白噪声,然后取IMF分量的平均值作为最终的结果.该算法利用高斯白噪声的统计特性,使得加入噪声后的信号在不同频率尺度上具有连续性,有效抑制了EMD的模态混叠现象,是对EMD方法的改进,分解效果优于EMD.

EEMD算法是EMD算法的改进算法,所以和EEMD算法相同,IMF分量需满足以下两个约束条件[15]:

① 在整个信号长度内,极值点数目和过零点的个数必须相等或最多只差一个;

② 在任意时刻内,由极大值点和极小值点组成的上、下包络线的平均值为0,即上、下包络线关于时间轴是对称的[16].

EEMD算法分解信号过程如下:

① 在原始信号x(t)中,多次加入均值为0、标准差为常数的高斯白噪声信号[17]ni(t):

(1)

式中:xi(t)表示给原始信号x(t)第i次加入白噪声后所得的信号.

② 对xi(t)进行EMD分解得到IMF分量cij(t)及余量ri(t).cij(t)为第i次加入高斯白噪声后进行EMD分解所得的第j个IMF分量;ri(t)为第i次加入白噪声后分解所得的余量.

③ 设加入N次白噪声,则对应N次EMD分解,将N次分解得到的IMF分量和余量进行总体平均计算:

(2)

(3)

④ 原始信号x(t)最终的EEMD分解结果为:

(4)

即经过EEMD分解,得到M个IMF分量和一个余量r(t).根据高斯白噪声频谱的零均值原理,将各IMF分量多次整体平均后噪声将最大限度被抵消,总体平均结果近似真实信号.

经EEMD分解信号后,对IMF高频分量进行小波阈值去噪法处理.将去噪后的高频分量以及剩余的其他分量作为1.2节特征提取的信号.

1.2 基于EEMD的人员及车辆震动信号特征提取

在进行人员、车辆的分类过程中,采集数据较大或不相关特征会掩盖主要的分类特征,造成计算时间较长、运行速度慢、分类效率不高等问题[18].为了改善数据大和不相关特性对识别结果的影响,需要进行特征提取.

特征提取的过程就是从一组特征中选择出一种或一些最有效、最具代表性的特征,来降低特征向量的空间维数,达到缩短计算时间,提高运行速度的目的.基于EEMD的人员及车辆震动信号的能量特征提取过程如下:

① 对去噪后的IMF高频分量以及其他低频分量进行筛选,选取含有主要信息的M个IMF分量;

② 计算各个IMF分量的总能量Ej;

(5)

③ 以能量为元素构造一个新的特征向量pa;

(6)

④ 将特征向量pa进行归一化处理,得归一化特征向量pb:

(7)

(8)

2 基于EEMD-SVM非平衡决策树的信号识别

2.1SVM算法

基于统计学理论(statisticallearningtheory,SLT)的支持向量机SVM是由Vapnik等人于20世纪90年代中期提出的一种全新的机器学习方法[19].支持向量机的基本模型是一个二类分类模型,其定义为特征空间上的间隔最大的线性分类器.由于SVM是建立在结构化风险最小准则基础之上,在解决小样本、非线性等识别问题时具有独特的优势[20].SVM算法的核心问题是寻找最优分类面,即寻找一个超平面.并且要求分类面到离它最近的训练样本的距离最大[21].

以二分类为例,设一个线性函数为f(x)=wTx+b,取阈值为0.当判别样本xi时,若f(xi)>0,判定为C1类;若f(xi)<0,判定为C2类.wTx+b=0是分类超平面,wTx+b=1和wTx+b=-1是平行于wTx+b=0,且离wTx+b=0最近的两类样本的直线,wTx+b=1与wTx+b=0,wTx+b=-1与wTx+b=0之间的距离为分割面函数间隔γ:

(9)

(10)

图1 SVM理论示意图

2.2 SVM非平衡决策树算法

目前,对于多分类问题的研究,SVM主要分为整体法和分解法.由于整体法计算过度复杂,所以实用性不高.分解法又分为用多个两类分类器实现多分类,如“一对一”方法、“一对多”方法和用层次型两类分类器实现多分类,如SVM平衡决策树分类及SVM非平衡决策树分类[22].常用的识别方法如BP神经网络具有训练结果不稳定等缺陷,对于人员、车辆这种小样本数据识别准确率不高.而SVM非平衡决策树方法的出现,解决了这些问题,并在模式识别领域中迅速发展起来.在解决分类、判别分析等诸多问题上,均体现出它特有的优势,尤其对于小样本数据识别研究,SVM非平衡决策树法识别准确率要明显优于其他方法.

图2 SVM非平衡决策树结构图

SVM非平衡决策树的结构如图2所示,以4类分类为例,非平衡决策树过程如下:第1个SVM将第一类的样本作为+1训练样本,将2,3,…,m类训练样本作为-1训练样本;第i个SVM以第i类作为+1训练样本,将i+1,i+2,…,m类作为-1训练样本训练SVM(i);直到第m-1个SVM将第m-1作为+1训练样本,以第m类样本作为-1训练样本训练SVM(m-1).

采用SVM非平衡决策树分类器,对地面运动目标人员、轮式车和履带车进行分类识别.通过实验证明,SVM非平衡决策树法可以很好地发挥它的优势,进而提高识别的准确率.

2.3 EEMD-SVM非平衡决策树模型的建立

本文提出的EEMD-SVM非平衡决策树模型,采用EEMD算法对实测人员、车辆产生的地震动信号进行分解得到若干个IMF分量;从小波阈值去噪后的IMF高频分量和其他低频分量中提取出有效的归一化能量特征;将该能量特征作为SVM的输入,进行样本目标的训练及测试,从而实现人员及车辆的分类识别.该模型将EEMD可以对非线性、非平稳的地震动信号进行分析与处理的优点与SVM非平衡决策树对小样本数据集具有良好的识别效果的优势相结合,并通过实验仿真证明:基于EEMD-SVM非平衡决策树的人车震动信号识别模型在小样本情况下,具有较高的识别率.EEMD-SVM非平衡决策树训练模型建立过程如图3所示.

图3 EEMD-SVM非平衡决策树训练模型

EEMD-SVM非平衡决策树训练模型建立具体过程如下:

① 输入训练样本集矩阵X=[x1(t),x2(.t),…,xi(t),…,xn(t)],共n个信号.i表示第i个目标信号.

⑤ 将特征向量矩阵P输入到SVM分类器中,对分类器进行训练.

⑥ 将测试样本集经上述过程,生成特征向量矩阵,输入到SVM分类器中.进行人员、轮式车和履带车的逐层分类,达到分级是识别的效果.

3 实验结果分析

3.1 目标样本采集及EEMD分解结果

本文的实验数据的采集方法为:将磁电式地震动传感器埋设在地表下,该传感器拾取地面运动目标产生的地震波.用高速的A/D-D/A数据采集卡,将数据采集到PC机上,然后由震动信号处理软件来完成对地震动信号的采集.实际信号采集频率为20kHz,目标对象为50m内的人员,100m内行的轮式车和200m内的履带车,分析得到人员、轮式车以及履带车的时域波形图4～图6所示.

以50m内的人员产生的地震动信号为例(轮式车履带车处理过程相同),对信号进行EEMD分解,得到7个IMF分量和1个余量.图7为第1～4个IMF分量的时域波形图及频谱图,图8为第5～7个IMF分量以及余量RES的时域波形图及频谱图.从图7和图8中可以明显看出,大部分噪声信号存在于IMF1、IMF2、IMF3、IMF4中,所以对前4个高频分量进行小波阈值去噪处理.

图4 50 m内的人员

图5 100 m内的轮式车

图6 200 m内的履带车

3.2SVM非平衡决策树方法的识别结果分析

经1.1节信号分解去噪处理以及1.2节能量特征向量提取后,得到了能量特征矩阵.将特征矩阵输入到分类器中,对样本进行训练、测试.在SVM非平衡决策树模型中将人员目标、轮式车目标、履带车目标的输出类别分别用1、2、3来表示.

图7 第1～4个IMF分量图

图8 第5～7个IMF及余量RES图

SVM非平衡决策树分类器具有处理小样本、非线性的优点.为了测试SVM非平衡决策树分类器的性能,分别选用不同比例的二组训练样本及测试样本数据进行实验,并标记为数据A样本集、数据B样本集.数据A样本集实验:选取人员目标、轮式车目标以及履带车目标各40个作为小样本进行训练;测试样本数据为:人员目标37个,轮式车目标47个,履带车目标37个.数据B样本集实验:选取人员目标、轮式车目标以及履带车目标各30个作为小样本进行训练;测试样本数据为:人员目标37个,轮式车目标47个,履带车目标37个.

数据A样本集的实际分类和预测分类结果如图9所示.从图中可以看出,EEMD-SVM非平衡决策树模型可以将人员和车辆准确地进行分类.对于轮式车和履带车,采用EEMD-SVM非平衡决策树模型进行分类会存在一定的误差,识别准确率约为96%.数据B样本集的实际分类和预测分类结果如图10所示.相比于数据A样本集的实验结果,虽然训练样本减少,但是对分类的准确度并没有很大的影响.采用数据B进行实验准确率仍接近于96%.实验表明,EEMD-SVM非平衡决策树模型可以有效地对小样本数据集进分类识别.

分别选用不同数量的训练样本及测试样本进行实验,经过5次训练和测试实验识别结果如图11所示.其中由于过零数分析法只能对人员和车辆进行识别,而对于轮式车和履带车识别率极低,所以图11中过零数分析法的识别率仅为人员及车辆的识别率.从5次实验结果图中可以看出,随着训练样本数目的增加,测试的4种方法识别率均有所提高.其中,过零数分析法的识别率始终最低,这是由于过零数分析法的识别率受限于阈值的设定,理论基础简单,属于较粗糙的识别方法.EMD-SVM非平衡决策树法在样本数目为30～45时高于BP神经网络法,样本数目达到50左右时,两种方法的识别率相当.而EEMD-SVM非平衡决策树模型对人员、轮式车及履带车的识别率在样本数目为30～50时,均明显高于其他3种方法.

图9 数据A测试集的实际分类和预测分类图

图10 数据B测试集的实际分类和预测分类图

图11 5次识别结果图

表1 4种方法的5次实验平均结果

从统计的观点对比过零数分析法、BP神经网络识别法、EMD-SVM非平衡决策树法和EEMD-SVM非平衡决策树法的多次平均识别结果如表1所示.过零数分析法不能对轮式车和履带车进行分类,而对于人员和车辆的识别准确率也不高.BP神经网络识别法对于小样本目标的识别结果不是十分理想,平均识别率在89%左右.通过识别结果可以看出,EMD-SVM非平衡决策树法相比于BP神经网络法更适用于对小样本数据的识别,但其识别准确率明显低于本文提出的EEMD-SVM非平衡决策树法.通过对比试验,验证了本文提出方法具有较强的适用性和较高的识别率.

EEMD-SVM非平衡决策树法对人员信号正确识别率达98%,轮式车和履带车识别的准确率达95%.EEMD-SVM非平衡决策树法相比于其他三种方法具有较高的识别率,尤其在处理小样本数据集时,EEMD-SVM非平衡决策树法可以准确地对目标进行分类识别.

4 结 论

本文提出了EEMD-SVM非平衡决策树模型.实验证明:该模型可以高效率、高精度地针对50m内的人员、100m内的轮式车和200m内的履带车进行有效地分类识别,验证了基于EEMD-SVM非平衡决策树模型在处理非线性、非平稳的地震动信号方面具有良好的适用性.对人员的正确识别率达98%,轮式车和履带车识别的准确率达95%.此外,本文提出的地震动信号识别方法相比于过零数分析法、BP神经网络识别法和EMD-SVM非平衡决策树法有明显的优势.对于小样本数据集(样本数目30～50时),EEMD-SVM非平衡决策树模型可以精准地对目标进行分类识别,这对于实际边防的侦查监测具有重要的意义.

[ 1 ] 李冰冰,唐胜武,刘慧,等. 震动信号识别传感器系统设计[J]. 传感器与微系统, 2015,34(5):79-81.

(LIBB,TANGSW,LIUH,etal.Designofvibrationsignalrecognitionsensorsystem[J].TransducerandMicrosystemTechnologies, 2015,34(5):79-81.)

[ 2 ] 聂伟荣. 多传感器探测与控制网络技术:地面运动目标震动信号探测与识别[D]. 南京:南京理工大学, 2002.

(NIEWR.Detectingandcontrollingnetworktechnologywithmultisensorsystem:microseismicsignalsdetectingandidentificationoftargetmovingontheground[D].Nanjing:NanjingUniversityofScienceandTechnology, 2002.)

[ 3 ]GHOSHR,AKULAA,KUMARS,etal.Time-frequencyanalysisbasedrobustvehicledetectionusingseismicsensor[J].JournalofSound&Vibration, 2015,346:424-434.

[ 4 ]HUANGHB,LIRX,HUANGXR,etal.SoundqualityevaluationofvehiclesuspensionshockabsorberrattlingnoisebasedontheWigner-Villedistribution[J].AppliedAcoustics, 2015,100:18-25.

[ 5 ]WANGG,HEY,XUF,etal.Empiricalmodedecompositiondenoisingmethodbasedonautocorrelationandthreshold[J].JournalofConvergenceInformationTechnology, 2012,7(22):737-745.

[ 6 ] 祝晓燕,张金会,付士鹏,等. 基于集合经验模态分解和支持向量机的短期风速预测模型[J]. 华北电力大学学报(自然科学版), 2013,40(5):60-64.

(ZHUXY,ZHANGJH,FUSP,etal.Short-termwindspeedpredictionmodelbasedonEEMDandSVM[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition), 2013,40(5):60-64.)

[ 7 ]HUANGNE,WUZ.AreviewonHilbert-HuangTransform:methodanditsapplicationstogeophysicalstudies[J].ReviewsofGeophysics, 2008,46(2):2008.

[ 8 ] 陈仁祥,汤宝平,马婧华. 基于EEMD的振动信号自适应降噪方法[J]. 振动与冲击, 2012, 31(15):82-86.

(CHENRX,TANGBP,MAJH.Adaptivede-noisingmethodbasedonensembleempiricalmodedecompositionforvibrationsignal[J].JournalofVibrationandShock, 2012,31(15):82-86.)

[ 9 ] 曾彭,刘红星,宁新宝,等. 总体经验模态分解能量向量用于ECG能量分布的研究[J]. 物理学报, 2015,64(7):78701-078701.

(ZENGP,LIUHX,NINGXB,etal.ECGenergydistributionanalysisusingensembleempiricalmodedecompositionenergyvector[J].ActaPhysicaSinica, 2015,64(7):078701.)

[10] 行鸿彦,朱清清. 基于集成经验模态分解的海杂波去噪振元[J]. 电子学报, 2016,44(1):1-7.

(HANGHY,ZHUQQ.Theseaclutterde-noisingbasedonensembleempiricalmodedecomposition[J].ActaElectronicaSinica, 2016,44(1):1-7.)

[11] 李成,张琦,李文乐. 汇改后中国外汇市场与资本市场联动效应:基于集合经验模态分解法[J]. 北京理工大学学报(社会科学版), 2016,18(2):64-70.

(LIC,ZHANGQ,LIWL.ThelinkageeffectsbetweenforeignexchangemarketandcapitalmarketafterexchangeratereforminChina:basedonEEMD[J].JournalofBeijingInstituteofTechnology(SocialScienceEdition) , 2016,18(2):64-70.)

[12] 韩庆阳,王晓东,李丙玉,等.EEMD在同时消除脉搏血氧检测中脉搏波信号高频噪声和基线漂移中的应用[J]. 电子与信息学报, 2015,37(6):1384-1388.

(HANQY,WANGXD,LIBY,etal.UsingEEMDtoeliminatehighfrequencynoiseandbaselinedriftinpulseblood-oximetrymeasurementsimultaneously[J].JournalofElectronics&InformationTechnology, 2015,37(6):1384-1388.)

[13] 杨旭,彭开香,罗浩,等. 基于EEMD和SVM的冷轧机垂直振动相关故障的诊断[J]. 上海交通大学学报, 2015,49(6):751-756.

(YANGX,PENGKX,LUOH,etal.Vibration-relatedfaultdiagnosisincoldrollingmillbyusingEEMDandSVM[J].JournalofShanghaiJiaotongUniversity, 2015,49(6):751-756.)

[14] 邢怀飞. 智能光纤传感器网络地面目标识别若干问题研究[D]. 北京:中国科学院研究生院(半导体研究所), 2008.

(XINGHF.Groundtargetrecognitioninfibersensornetwork[D].Beijing:InstituteofSemiconductors,ChineseAcademyofSciences, 2008.)

[15] 张玉燕,周航,闫美素. 基于经验模态分解的自混合干涉相位提取方法研究[J]. 物理学报, 2015,64(5):179-186.

(ZHANGYY,ZHOUH,YANMS.Studyonthephase-extractingmethodofself-mixingsignalbasedonempiricalmodedecomposition[J].ActaPhysicaSinica, 2015,64(5):179-186.)

[16]SHAD,JIAOS.SlammingsignalfeatureextractionandclassificationbasedonEEMDandSVM[C]∥IEEE7thSeventhInternationalSymposiumonComputationalIntelligenceandDesign, 2015:341-344.

[17] 吴小涛,杨锰,袁晓辉,等. 基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断[J]. 振动与冲击, 2015(2):38-44.

(WUXT,YANGM,YUANXH,etal.BearingfaultdiagnosisusingEEMDandimprovedmorphologicalfilteringmethodbasedonkurtosiscriterion[J].JournalofVibrationandShock, 2015(2):38-44.)

[18] 赵天青,梁旭斌,许学忠,等.EMD在目标声信号特征提取中的应用研究[J]. 南京大学学报(自然科学版), 2015(S1):102-106.

(ZHAOTQ,LIANGXB,XUXZ,etal.Afeatureextractionalgorithmofacoustictargetbasedonempiricalmodedecomposition[J].JournalofNanjingUniversity(NaturalSciences), 2015(S1):102-106.)

[19]ZHANGMJ,CHENH,HUANGJ,etal.CombinedimproveEEMDwithSVMintheapplicationofintelligentfaultdiagnosis[J].AdvancedMaterialsResearch, 2013,708:1774-1777.

[20] 冀振元,李晨雷,唐文彦. 支持向量机在车辆目标识别中的应用[J]. 系统工程与电子技术, 2010,32(2):284-286.

(JIZY,LICL,TANGWY.ApplicationofSVMinrecognitionofvehicles[J].SystemsEngineeringandElectronics, 2010,32(2):284-286.)

[21] 魏永合,王明华. 基于EEMD和SVM的滚动轴承退化状态识别[J]. 计算机集成制造系统, 2015,21(9):2475-2483.

(WEIYH,WANGMH.DegradationstaterecognitionofrollingbearingbasedonEEMDandSVM[J].ComputerIntegratedManufacturingSystems, 2015,21(9):2475-2483.)

[22] 刁智华,赵春江,郭新宇,等. 一种新的基于平衡决策树的SVM多类分类算法[J]. 控制与决策, 2011,26(1):149-152,156.

(DIAOZH,ZHAOCJ,GUOXY,etal.AnewSVMmulti-classclassificationalgorithmbasedonbalancedecisiontree[J].ControlandDecision, 2011,26(1):149-152,156.)

【责任编辑: 李 艳】

Method of People and Vehicles Identification Based on EEMD-SVM Unbalance Decision Tree

Zhao Chunhui1, Wang Yang1, Tang Shengwu1,2, Wang Yifan1

(1.CollegeofInformationandCommunicationEngineering,HarbinEngineeringUniversity,Harbin150001,China; 2.The49thResearchInstitute,ChinaElectronicTechnologyGroupCorporation,Harbin150001,China)

Throughanalyzingthevibrationsignalofpeople,wheeledvehiclesandtrackedvehicles,apeopleandvehiclesidentificationsystemmodelwasestablished.Aimingatthenonlinearandnon-stationarycharacteristics,EEMD(ensembleempiricalmodedecomposition)wasusedtodecomposepeopleandvehiclesvibrationsignaltoobtainanumberofIMFs(intrinsicmodefunction).Then,thehighfrequencycomponentsoftheIMFwereusedwaveletthresholdalgorithmfordenoising.SelectingavalidcomponentofIMFsandcalculatingnormalizedenergymatrixastheinputofSVM(supportvectormachine)unbalancedecisiontreeclassifier,people,wheeledvehiclesandtrackedvehicleswereclassifiedlayerbylayerthroughtheSVM.TheexperimentalresultsdemonstratethethesuperiorperformanceofEEMD-SVMunbalancedecisiontreemodeinpeople,wheeledvehiclesandtrackedvehiclesclassification.

ensembleempiricalmodedecomposition;intrinsicmodefunction;energymatrix;supportvectormachineunbalancedecisiontreeclassifier

2016-04-19

国家自然科学基金资助项目(61571145, 61405041).

赵春晖(1965-),男,辽宁锦西人,哈尔滨工程大学教授,博士生导师.

2095-5456(2016)05-0384-08

TN 911.6; TN 911.7

A