基于證據(jù)K-NN改進(jìn)算法的水聲目標(biāo)識(shí)別

楊　蕊　王曉燕

(西安建筑科技大學(xué)機(jī)電工程學(xué)院　陜西 西安 710055)

?

基于證據(jù)K-NN改進(jìn)算法的水聲目標(biāo)識(shí)別

楊蕊王曉燕

(西安建筑科技大學(xué)機(jī)電工程學(xué)院陜西 西安 710055)

證據(jù)分類算法已廣泛應(yīng)用于目標(biāo)識(shí)別當(dāng)中。針對(duì)傳統(tǒng)證據(jù)K近鄰算法在近鄰證據(jù)組合規(guī)則上的局限，研究一種新的基于PCR5規(guī)則的證據(jù)K近鄰改進(jìn)算法(IEK-NN)。首先在總樣本集中隨機(jī)重復(fù)采樣來構(gòu)造多個(gè)訓(xùn)練子集；然后在各訓(xùn)練子集中，利用目標(biāo)數(shù)據(jù)與其近鄰的特征距離來構(gòu)造基本置信指派；最后利用證據(jù)推理中的PCR5規(guī)則對(duì)近鄰證據(jù)進(jìn)行融合，并根據(jù)融合結(jié)果以及所建立的分類規(guī)則判斷目標(biāo)的類別屬性。通過水聲目標(biāo)實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)，將IEK-NN與傳統(tǒng)的證據(jù)近鄰分類算法進(jìn)行對(duì)比分析，結(jié)果表明新算法能有效提高識(shí)別的準(zhǔn)確率。

模式識(shí)別水聲目標(biāo)證據(jù)推理近鄰組合規(guī)則

0　引　言

在現(xiàn)代海洋戰(zhàn)中，水聲目標(biāo)的準(zhǔn)確識(shí)別是致勝的關(guān)鍵[1,2]。目前水聲目標(biāo)識(shí)別面臨兩個(gè)主要問題：一方面水聲目標(biāo)類別眾多，如潛艇、水面艦艇、魚雷、商船以及各種海洋生物等[3,4]。另一方面異類水聲目標(biāo)間的特征存在相似性，使得識(shí)別任務(wù)面臨很大干擾[5,6]。因此，利用智能多域信息融合理論來設(shè)計(jì)水聲目標(biāo)識(shí)別系統(tǒng)模型，并構(gòu)建可應(yīng)用于不同識(shí)別任務(wù)的智能目標(biāo)識(shí)別系統(tǒng)，是預(yù)防水下目標(biāo)突襲和當(dāng)代戰(zhàn)爭(zhēng)的急需。

水聲目標(biāo)識(shí)別應(yīng)用中，受到系統(tǒng)中傳感器測(cè)量精度、戰(zhàn)場(chǎng)環(huán)境噪聲等因素影響，系統(tǒng)會(huì)存在一定的不確定性信息[7]。而證據(jù)理論[8]可有效處理具有不確定性的信息和數(shù)據(jù)[9,10]。因此諸多學(xué)者將證據(jù)理論與一些傳統(tǒng)模式分類算法相結(jié)合，研究了一系列基于證據(jù)理論框架的分類算法。其最具代表的就是由Denoeux學(xué)者所提出并逐漸發(fā)展起來的證據(jù)K-NN(EK-NN)分類算法[11,12]，EK-NN算法簡(jiǎn)單直觀、誤差率低，在目標(biāo)識(shí)別應(yīng)用當(dāng)中備受關(guān)注。算法首先在總的訓(xùn)練樣本集中根據(jù)特征距離大小選擇目標(biāo)的K近鄰，并構(gòu)造各近鄰的基本置信指派(bba’s)。然后使用Dempster(D-S)規(guī)則對(duì)K個(gè)近鄰的bba’s進(jìn)行組合，最后根據(jù)組合結(jié)果對(duì)目標(biāo)進(jìn)行分類決策。EK-NN在對(duì)近鄰證據(jù)進(jìn)行組合時(shí)所采用的是D-S組合規(guī)則，但D-S規(guī)則在證據(jù)“高沖突”時(shí)會(huì)出現(xiàn)有悖常理的結(jié)果[13]。而不同近鄰樣本由于所屬類別不盡相同，使得所構(gòu)造的bba’s也會(huì)存在較大的差異，因此在近鄰證據(jù)組合時(shí)會(huì)存在一定的“高沖突”，這時(shí)融合決策就容易造成目標(biāo)的誤判。

針對(duì)D-S規(guī)則在“高沖突”證據(jù)融合所存在的局限，很多學(xué)者都提出新的融合規(guī)則，其中Dezert等所研究的PCR5規(guī)則[14]對(duì)于沖突部分信息的分配最為準(zhǔn)確。另外在模式識(shí)別中對(duì)訓(xùn)練樣本集重復(fù)采樣可有效抑制噪聲影響、并提高分類的精度。因此，針對(duì)傳統(tǒng)EK-NN算法的局限，本文采用重復(fù)采樣的方式來構(gòu)造多個(gè)訓(xùn)練樣本子集，并將近鄰分類與PCR5規(guī)則相結(jié)合，研究了一種新的證據(jù)K-NN改進(jìn)算法(IEK-NN)。最后通過水聲目標(biāo)實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)，驗(yàn)證了新算法在識(shí)別應(yīng)用中的有效性。

1　PCR5組合規(guī)則

在水聲目標(biāo)識(shí)別研究中，目標(biāo)信號(hào)復(fù)雜、樣本獲取難度大且富含不確定信息。傳統(tǒng)的D-S理論可以有效處理這些不確定信息，但D-S規(guī)則在證據(jù)“高沖突”時(shí)會(huì)出現(xiàn)不合理的結(jié)果。而Dezert等學(xué)者所提出的五種成比例的沖突重新分配規(guī)則[14](PCR1-PCR5)，是對(duì)傳統(tǒng)D-S規(guī)則的擴(kuò)展和完善，在對(duì)包含高沖突，高不確定性信息的證據(jù)進(jìn)行融合時(shí)，有著不錯(cuò)效果[14,15]。其中，PCR5組合規(guī)則對(duì)于沖突部分信息的分配最為準(zhǔn)確，規(guī)則如下：

(1)

根據(jù)融合的bba’s：m，可計(jì)算出各命題的置信度大小，從而進(jìn)行最終的決策。

2　EK-NN算法及其局限

2.1EK-NN算法

假設(shè)模式類別的集合為：C={C1,C2,…,CM}，訓(xùn)練樣本集為：{(x1,L1),(x2,L2),…,(xN,LN)}。其樣本xi類別屬性的標(biāo)號(hào)為L(zhǎng)i。對(duì)于待測(cè)試樣本xs，假設(shè)Φs為從訓(xùn)練集中所選擇的k近鄰樣本集合，Φs中訓(xùn)練樣本xi類別屬性的標(biāo)號(hào)為L(zhǎng)i=Cq(q=1,2,…,M)，則(xi,Cq)為一個(gè)對(duì)xs進(jìn)行分類的近鄰證據(jù)，可用bba’sms,i進(jìn)行表示：

(2)

Φs中的近鄰樣本xi距離目標(biāo)數(shù)據(jù)xs越近，所構(gòu)造bba’s中的δ就要越大，Denoeux根據(jù)特征距離d的大小定義δ的形式為：

δ=αe-rqdβ

(3)

然后，使用D-S規(guī)則將Φs中各近鄰樣本的bba’sms,i組合起來，可得總的bba’s為：

(4)

最后，根據(jù)總的ms計(jì)算xs屬于各模式類別的置信度，并根據(jù)置信度大小進(jìn)行最終的分類識(shí)別。

2.2EK-NN算法的局限

EK-NN算法簡(jiǎn)單直觀、易于實(shí)現(xiàn)，但局限之處在于：算法對(duì)近鄰證據(jù)進(jìn)行組合時(shí)采用了D-S規(guī)則，而D-S規(guī)則在證據(jù)“高沖突”時(shí)會(huì)出現(xiàn)有悖常理的結(jié)果。不同近鄰證據(jù)由于所屬類別不盡相同，使得所構(gòu)造的bba’s會(huì)存在較大的差異，因而在證據(jù)組合時(shí)不可避免地會(huì)存在一定的“高沖突”，這時(shí)使用EK-NN算法就容易造成目標(biāo)的誤判。

例如，使用EK-NN算法對(duì)待識(shí)別水聲目標(biāo)xs進(jìn)行分類決策時(shí)，假設(shè)ms,i和ms,j為兩個(gè)近鄰樣本所分別構(gòu)造的bba’s，ms,i的置信度主要分派給類別Ci，ms,j的置信度主要分派給類別Cj。若兩近鄰樣本所屬類別不同，即Ci≠Cj，這時(shí)兩近鄰樣本所構(gòu)造的bba’s就會(huì)不同，即ms,i(Ci)≠ms,j(Cj)。則導(dǎo)致近鄰證據(jù)存在一定的沖突，其沖突信息量的大小為：m(φ)=m(Ci∩Cj)=ms,i(Ci)ms,j(Cj),ms,i(Ci)和ms,j(Cj)的取值如果較大，沖突信息量就會(huì)很大，即兩證據(jù)ms,i、ms,j存在高沖突。這時(shí)算法使用D-S規(guī)則就易造成識(shí)別結(jié)果的誤判。接著通過例1的具體數(shù)據(jù)實(shí)例對(duì)問題進(jìn)行詳盡的分析說明。

例1假設(shè)在使用EK-NN算法進(jìn)行分類識(shí)別時(shí)，選取了目標(biāo)數(shù)據(jù)的兩個(gè)近鄰，且所構(gòu)造的近鄰證據(jù)分別如下：

近鄰證據(jù)1：m1(C1)=0.9,m1(C3)=0.1

近鄰證據(jù)2：m2(C2)=0.9,m2(C3)=0.1

首先采用EK-NN算法中的D-S規(guī)則對(duì)以上兩近鄰證據(jù)進(jìn)行組合，可得：

mDS(C1)=0mDS(C2)=0mDS(C3)=1

例1中近鄰證據(jù)1確認(rèn)目標(biāo)屬于類別C1的置信度為0.9、屬于類別C3的置信度為0.1；近鄰證據(jù)2確認(rèn)目標(biāo)屬于類別C2的置信度為0.9、屬于類別C3的置信度為0.1。使用D-S規(guī)則的組合結(jié)果卻顯示目標(biāo)屬于類別C1和C2的置信度都為0，而屬于類別C3的置信度卻增加到了1，即確信目標(biāo)屬于類別C3。原來的近鄰證據(jù)1和2都認(rèn)為目標(biāo)屬于類別C3的置信度不大，只有0.1。但融合后的證據(jù)卻確信目標(biāo)屬于類別C3，顯然是不合理的。原因就在于兩個(gè)近鄰證據(jù)是“高沖突”的，這時(shí)計(jì)算表征兩近鄰證據(jù)沖突量的矛盾因子k，可得：

k=m1(C1)m2(C2)+m1(C1)m2(C3)+m1(C3)m2(C2)

=0.9×0.9+0.9×0.1+0.1×0.9=0.99

D-S規(guī)則在“高沖突”近鄰證據(jù)融合時(shí)存在局限，而 PCR5組合規(guī)則對(duì)“高沖突”信息則可以進(jìn)行精確合理的分配。使用PCR5規(guī)則對(duì)以上兩近鄰證據(jù)進(jìn)行組合，可得：

mPCR5(C1)=0.45mPCR5(C2)=0.45mPCR5(C3)=0.1

PCR5規(guī)則的組合結(jié)果顯示，目標(biāo)屬于類別C1和C2的置信度都為0.45，屬于類別C3的置信度為0.1。兩個(gè)原始近鄰證據(jù)都認(rèn)為目標(biāo)屬于類別C3的置信度為0.1，融合后的結(jié)果保持一致，也確認(rèn)目標(biāo)屬于類別C3的置信度為0.1，這是比較合理的。另外兩個(gè)原始證據(jù)分別認(rèn)為目標(biāo)屬于類別C1和C2的置信度是一樣的，融合結(jié)果則對(duì)置信度進(jìn)行了折中，認(rèn)為目標(biāo)屬于C1和C2的置信度仍是相同的，而且大于C3的置信度。所以融合結(jié)果相對(duì)于D-S規(guī)則的組合結(jié)果更為合理和可信。

通過實(shí)例1中數(shù)據(jù)的具體分析可見，在近鄰證據(jù)“高沖突”時(shí)，PCR5規(guī)則會(huì)比EK-NN算中所使用的D-S規(guī)則有著更好的組合結(jié)果。

3　新的證據(jù)K-NN改進(jìn)算法(IEK-NN)

針對(duì)傳統(tǒng)EK-NN方法的不足，在采用重復(fù)采樣方式，并結(jié)合PCR5規(guī)則和近鄰分類的基礎(chǔ)上，研究了一種新的證據(jù)K-NN改進(jìn)算法(IEK-NN)。IEK-NN算法主要包括構(gòu)造訓(xùn)練樣本子集和近鄰證據(jù)、證據(jù)融合和分類決策三個(gè)核心步驟。

3.1構(gòu)造訓(xùn)練樣本子集和近鄰證據(jù)

選取水聲目標(biāo)總的類別作為識(shí)別框架，若有M類水聲目標(biāo)：C1,C2,…,CM，則識(shí)別框架為：Θ={C1,C2,…,CM}。首先建立這M類水聲目標(biāo)的總樣本庫(kù)，即將已獲得的各個(gè)水聲目標(biāo)的語(yǔ)音信號(hào)進(jìn)行離散采樣和特征提取，使得每個(gè)目標(biāo)的一組特征就對(duì)應(yīng)著樣本庫(kù)中的一個(gè)樣本。這里選取的是由波形結(jié)構(gòu)[16]、小波分析[17]以及聽覺譜[18]所構(gòu)造的42維多域組合特征。

假設(shè)M類水聲目標(biāo)進(jìn)過以上特征提取后，得到的總訓(xùn)練樣本集為：X={(x1,L1),(x2,L2),…,(xN,LN)}。其中Li為訓(xùn)練樣本xi的類別標(biāo)號(hào)，N為樣本的總數(shù)。

每次從總的訓(xùn)練樣本集中隨機(jī)選取Nj個(gè)樣本，來構(gòu)成訓(xùn)練子集Xj，選取B次，得B個(gè)訓(xùn)練子集：X1,X2,…,XB。

(5)

δj=e-dj

(6)

3.2證據(jù)融合

各訓(xùn)練子集中樣本數(shù)目越多，其包含的類別信息越充足，構(gòu)造的證據(jù)就越精確。因此，這里根據(jù)各訓(xùn)練子集所包含樣本數(shù)目，來確定其近鄰證據(jù)的權(quán)重。

訓(xùn)練子集的集合為Φ={(X1,N1),…,(XB,NB)}，確定擁有最多樣本數(shù)目的子集所構(gòu)造的近鄰證據(jù)為關(guān)鍵證據(jù)，其權(quán)重為：

wmax=max(N1,N2,…,NB)

(7)

則各訓(xùn)練子集所對(duì)應(yīng)近鄰證據(jù)的“折扣因子”為：

αj=Nj/wmax

(8)

(9)

最后，應(yīng)用PCR5組合規(guī)則，對(duì)以上B個(gè)訓(xùn)練樣本子集對(duì)應(yīng)的修正證據(jù)進(jìn)行融合，可得：

(10)

ms即為最終所得的bba’s，根據(jù)其所指派的各類別置信度大小，即可對(duì)待識(shí)別水聲目標(biāo)xs進(jìn)行最終的分類決策。

3.3分類決策

根據(jù)最終獲得的基本置信指派ms，計(jì)算待識(shí)別目標(biāo)xs屬于各個(gè)模式類別的置信度Bel(Cq)和似真度Pl(Cq)。

(11)

(12)

然后，確定如下分類規(guī)則：

規(guī)則1待識(shí)別水聲目標(biāo)的所屬類別與其他類別的置信度差值必須大于某一閾值T1；

規(guī)則2待識(shí)別水聲目標(biāo)所屬類別的不確定度與其置信度差值必須小于某一閾值T2。

最后，計(jì)算符合以上的分類規(guī)則的模式類別Cq，q為1到M間計(jì)算所得的某一特定取值。那么，類別Cq即被判定為待識(shí)別水聲目標(biāo)所屬的類別。

以上為新算法的設(shè)計(jì)思想，其實(shí)現(xiàn)流程如圖1所示。

圖1　IEK-NN算法流程圖

4　實(shí)驗(yàn)及結(jié)果分析

4.1實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)置

實(shí)驗(yàn)的對(duì)象是實(shí)測(cè)水聲目標(biāo)信號(hào)，其采樣頻率為48 000 Hz，把采集的每一段水聲目標(biāo)信號(hào)作為一個(gè)分類樣本，其包含10 000個(gè)采樣點(diǎn)。對(duì)每個(gè)樣本提取了8維波形結(jié)構(gòu)特征、10維小波分析特征、24維聽覺譜特征。并將以上特征進(jìn)行組合，使得每個(gè)水聲目標(biāo)樣本可以由42維的多域組合特征來進(jìn)行表示。水聲目標(biāo)分為4類，共有5000個(gè)樣本。各類別中訓(xùn)練樣本、測(cè)試樣本的具體數(shù)目如表1所示。

表1　各類別訓(xùn)練樣本和測(cè)試樣本的數(shù)目

本實(shí)驗(yàn)中使用IEK-NN新算法時(shí)，訓(xùn)練子集的參數(shù)B、Nj，以及分類決策參數(shù)T1和T2的具體設(shè)置如表2所示。

表2　IEK-NN的參數(shù)設(shè)定

其中，訓(xùn)練子集的個(gè)數(shù)B和各訓(xùn)練子集中樣本數(shù)Nj越大，分類時(shí)所使用的訓(xùn)練樣本信息就會(huì)越充足，不過計(jì)算就會(huì)越復(fù)雜。經(jīng)多次實(shí)驗(yàn)驗(yàn)證，在參數(shù)B的取值大于5，Nj的取值大于800后，對(duì)算法識(shí)別結(jié)果的準(zhǔn)確度影響已經(jīng)很微小，相反會(huì)極大地增加計(jì)算時(shí)間。T1越小目標(biāo)的類別屬性就區(qū)分的越精確，在模式識(shí)別中通常選取為0.2。當(dāng)目標(biāo)數(shù)據(jù)的不確定度大于一半時(shí)，該目標(biāo)是不能準(zhǔn)確識(shí)別的，故T2選取為0.5。

4.2實(shí)驗(yàn)結(jié)果及分析

分別基于波形結(jié)構(gòu)、小波分析、聽覺譜的單一特征以及以上三類組合特征來進(jìn)行分類實(shí)驗(yàn)。為了便于結(jié)果的對(duì)比分析，在使用IEK-NN新算法的同時(shí)，也采用傳統(tǒng)的EK-NN算法進(jìn)行相應(yīng)的分類實(shí)驗(yàn)，具體結(jié)果如表3所示。

表3　各算法的分類實(shí)驗(yàn)結(jié)果對(duì)比

表3的實(shí)驗(yàn)結(jié)果表明，不論是基于單一的波形結(jié)構(gòu)特征、小波分析特征、聽覺譜特征，還是基于三類組合特征的分類實(shí)驗(yàn)，新提出的IEK-NN算法在水聲目標(biāo)的正確識(shí)別率上，相對(duì)于傳統(tǒng)EK-NN算法都有一定程度的提高。另外新算法能夠很好地對(duì)樣本的多域特征進(jìn)行組合利用，因而可從表格3中看到，多域組合特征的分類正確率相對(duì)單一特征的識(shí)別也都有了很大的提高，這時(shí)新算法的識(shí)別正確率可以高達(dá)97%，相對(duì)于傳統(tǒng)EK-NN算法的92%，可以高出5個(gè)百分點(diǎn)之多。結(jié)果表明在水聲目標(biāo)識(shí)別應(yīng)用當(dāng)中，綜合利用多域組合特征的IEK-NN新算法相對(duì)于傳統(tǒng)EK-NN算法更為有效可行。

為便于新算法在其他應(yīng)用研究中的進(jìn)一步推廣和發(fā)展，可以根據(jù)目標(biāo)的正確識(shí)別率和分類時(shí)間兩個(gè)指標(biāo)，對(duì)新算法中的訓(xùn)練樣本子集數(shù)目B和子集樣本個(gè)數(shù)Nj等參數(shù)進(jìn)行實(shí)驗(yàn)分析，實(shí)驗(yàn)中所使用的計(jì)算機(jī)型號(hào)為聯(lián)想啟天M4300，統(tǒng)計(jì)分類時(shí)間時(shí)，使用的軟件為Windows 7系統(tǒng)下MATLAB 2014a。結(jié)果如表4所示。

表4　新算法參數(shù)分析

表4的實(shí)驗(yàn)結(jié)果顯示，新算法中訓(xùn)練樣本子集數(shù)目B和子集樣本個(gè)數(shù)Nj越大，所構(gòu)造的近鄰證據(jù)就越精確，那么在分類決策時(shí)目標(biāo)的識(shí)別率就越高。但在數(shù)目增大時(shí)，計(jì)算的復(fù)雜度就會(huì)增加，對(duì)水聲目標(biāo)識(shí)別的實(shí)時(shí)性就會(huì)造成一定的負(fù)面影響。因此，在IEK-NN新算法的進(jìn)一步應(yīng)用中，也要根據(jù)具體識(shí)別任務(wù)對(duì)于時(shí)間和精度的綜合要求，來進(jìn)行合理的參數(shù)設(shè)定。

5　結(jié)　語(yǔ)

本文對(duì)傳統(tǒng)EK-NN算法及其局限進(jìn)行了詳細(xì)分析，并針對(duì)其局限研究了一種新的IEK-NN算法。新算法將近鄰分類與證據(jù)推理中的PCR5規(guī)則相結(jié)合，并采用重復(fù)采樣方式來構(gòu)造多個(gè)訓(xùn)練樣本子集，從而可以更合理地利用樣本的多域組合特征信息，同時(shí)也能有效地處理水聲目標(biāo)識(shí)別系統(tǒng)中的不確定信息，因此可以極大地提高目標(biāo)的正確識(shí)別率。其次通過與傳統(tǒng)EK-NN分類算法在水聲目標(biāo)實(shí)測(cè)數(shù)據(jù)上的對(duì)比實(shí)驗(yàn)，顯示了新算法的良好識(shí)別性能。最后對(duì)新算法的參數(shù)設(shè)置進(jìn)行了實(shí)驗(yàn)分析，以便于新算法在目標(biāo)識(shí)別領(lǐng)域的進(jìn)一步推廣應(yīng)用。

[1] 楊宏暉，王蕓，戴健.水下目標(biāo)識(shí)別中樣本選擇與SVME融合算法[J].西北工業(yè)大學(xué)學(xué)報(bào)，2014，32(3):362-366.

[2] 宋波.水下目標(biāo)識(shí)別技術(shù)的發(fā)展分析[J].艦船電子工程，2014，34(4):168-173.

[3] 禹亮，程詠梅，陳克喆，等.基于證據(jù)理論的水聲多目標(biāo)優(yōu)選方法[J].西北工業(yè)大學(xué)學(xué)報(bào)，2014，32(3):429-433.

[4] 戴健，楊宏暉，王蕓，等.用于水聲目標(biāo)識(shí)別的自適應(yīng)遺傳樣本選擇算法[J].聲學(xué)技術(shù)，2013，32(4):332-335.

[5] 楊秀芳，張偉，楊宇祥.基于提升小波變換的雷達(dá)生命信號(hào)去噪技術(shù)[J].光學(xué)學(xué)報(bào)，2014，34(3):1-6.

[6] 黃志遠(yuǎn).新規(guī)背景下的噪聲控制技術(shù)應(yīng)用[J].船海工程，2014，43(3):95-98.

[7] 劉先康，梁菁，任杰，等.修正最近鄰模糊分類算法在艦船目標(biāo)識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(9):228-231.

[8] 韓德強(qiáng)，楊藝，韓崇昭.DS證據(jù)理論研究進(jìn)展及相關(guān)問題探討[J].控制與決策，2014，29(1):1-11.

[9] 劉準(zhǔn)釓，程詠梅，潘泉，等.證據(jù)沖突下自適應(yīng)融合目標(biāo)識(shí)別算法[J].航空學(xué)報(bào)，2010，31(7):1426-1432.

[10] 陳雁飛，夏學(xué)知，胡丹桂，等.基于試探折扣修正的證據(jù)組合方法[J].電子學(xué)報(bào)，2014，42(4):756-765.

[11] 張揚(yáng)，侯俊，劉準(zhǔn)釓，等.一種新的證據(jù)K-NN數(shù)據(jù)分類算法[J].火力與指揮控制，2013，38(9):58-60.

[12] Denoeux T.A k-nearest neighbor classification rule based on Dempster-Shafer theory[J].IEEE Trans on Systems,Man and Cybernetics，1995，25(5):804-813.

[13] Smarandache F，Dezert J.Advances and Applications of DSmT for Information Fusion I[M].Rehoboth:American Research Press，2004.

[14] Smarandache F，Dezert J.Advances and Applications of DSmT for Information Fusion II[M].Rehoboth:American Research Press，2006.

[15] Smarandache F，Dezert J.Advances and Applications of DSmT for Information Fusion III[M].Rehoboth:American Research Press，2009.

[16] 杜方鍵，楊宏暉.兩種半監(jiān)督多類水下目標(biāo)識(shí)別算法的比較[J].聲學(xué)技術(shù)，2014，33(1):10-13.

[17] 石超雄，李鋼虎，何會(huì)會(huì)，等.基于提升小波變換的MFCC在目標(biāo)識(shí)別中的應(yīng)用[J].聲學(xué)技術(shù)，2014，33(4):372-375.

[18] 王磊，彭圓，林正青.聽覺外周計(jì)算模型在水中目標(biāo)分類識(shí)別中的應(yīng)用[J].電子學(xué)報(bào)，2012，40(1):199-203.

UNDERWATER ACOUSTIC TARGET RECOGNITION BASED ON IMPROVED EVIDENTIAL K-NN ALGORITHM

Yang RuiWang Xiaoyan

(College of Mechanical and Electrical Engineering,Xi’an University of Architecture and Technology,Xi’an 710055,Shaanxi,China)

The evidence classification algorithm has been widely used in pattern recognition field.In view of the limitation of traditional evidential k-nearest neighbour classification algorithm in combination rule of nearest neighbour evidences,we proposed a PCR5 rule-based improved evidential k-nearest neighbour classification algorithm (IEK-NN).First the new algorithm repeatedly samples from total sample set in random to construct a couple of training subsets.Then in each training subset,it uses the feature distance between target data and its nearest neighbour to determine the basic belief assignments.Finally the algorithm uses PCR5 rule of evidence reasoning to integrate the nearest neighbour evidences and according to the integration result and the classification rule established by it to judge the classification attribute of target.Through the experiment of measured data of underwater acoustic target,we make comparative analysis on IEK-NN and traditional evidential nearest neighbour classification algorithm.Result indicates that IEK-NN can effectively improve the recognition accuracy.

Pattern recognitionUnderwater acoustic targetEvidence reasoningNearest neighbourCombination rule

2015-05-06。陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目(14JK1405)。楊蕊，助理工程師，主研領(lǐng)域：信號(hào)處理，電工技術(shù)。王曉燕，副教授。

TP391.4

A

10.3969/j.issn.1000-386x.2016.09.067