买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了基于HRRP与SAR数据可信决策融合的舰船分类方法，该方法首先获取舰船HRRP与SAR图像数据，分别进行预处理。其次构建两个分类模型，分别对SAR图像数据和HRRP数据使用训练集做有监督训练，分别得到可信度值A1和A2，以及对应的后验概率和分类预测结果。然后对得到的两个后验概率做再分配，构建出两组新的初始置信函数，融合两组初始置信函数得到对目标样本的分类结果、融合后的可信度值A3与A4。最后将A3、A4与A1、A2，做AA融合计算，输出分类结果对应的可信度。本发明提高了在目标类别较多时的分类准确率、初始置信函数的可靠性、鲁棒性以及舰船分类的准确率。

主权项：1.基于HRRP与SAR数据可信决策融合的舰船分类方法，其特征在于，包括以下步骤：S101：获取同一时刻对同一舰船的HRRP一维数据与SAR图像数据以及相应的标签，分别进行预处理，并划分为训练集和测试集；S102：构建CNN分类模型和MLP分类模型，分别对SAR图像数据和HRRP数据使用训练集做有监督训练，分别得到可信度值A1和A2，以及测试集预测给出每一个样本被分类为某一类别的后验概率及分类预测结果；所述可信度值的计算过程如下：对于SAR图像数据得到的可信度值A1，使用训练集交叉训练样本后得到分类结果，不同分类器对不同类别的分类结果可信度计算公式如下： SAn＝Pposn+Pnecn2分别计算第n类样本被正确分类的可能性Pposn与必要性Pnecn，再计算该类别的分类可信度SAn，S为待测样本总数，Sn表示第n类样本的个数，STn表示第n类样本被正确划分到n类的个数，SFn表示其他类样本被错误划分为n类的个数；计算多次交叉训练时每一次的各类别分类可信度SAn，并求出其平均值单个模型对不同类别的目标有不同的可信度，得到的类别可信度代表CNN模型对SAR数据中不同类别样本的分类可信度；计算多次交叉训练时每一次的分类准确率accE1，E1代表CNN模型，并求出其平均值分类准确率公式如下： 对于HRRP数据的类别可信度HAn中n类样本被分类正确的可能性Pposn与必要性Pnecn的计算方式与SAR图像数据一致，得到分类可信度HAn，平均值代表MLP模型对HRRP数据中不同类别样本的分类可信度，同时计算出对应的E2代表MLP模型；测试集输入后得到预测分类结果，测试集中的每个样本s都有对应的预测分类结果zii＝1,2,…,N及后验概率分布Pszi|Ej，其中Ej分为E1和E2，zi代表分类为类n的结果，从训练集的结果中找出对应的和记为A1和A2；S103：构建初始置信分配模块，对S102得到的两个后验概率做再分配，构建出源于SAR数据与HRRP数据的两组新的初始置信函数；所述初始置信函数构建的具体过程如下：S103.1、使用信息熵公式计算出样本s对应的Pszi|E1和Pszi|E2的熵值HsE1和HsE2，计算公式实现如下： S103.2、根据熵值，判断后续融合时该部分的权重比例，即信任折扣Ts： S103.3、使用模糊度量计算全集Psz0|Ej，z0＝Θ＝{1,2,3...N}： 对置信函数再分配：rePszi|Ej＝Pszi|Ej·TsEj+0.1·1-Pszi|Ej·1-TsEj，i＝0,1,2…N,j＝1,2归一化步骤见下式，实现bpasZ|EjZ＝[z0,z1,z2,…,zN]中数据和为1： bpasZ|Ej＝{rePsz0|EjσEj,rePsz2|EjσEj,…,rePszN|EjσEj},j＝1,2；S104：构建证据理论融合模块，融合两组初始置信函数得到对目标样本的分类结果，并记录融合后的可信度值A3与A4；S105：将可信度值A3、A4与可信度值A1、A2，做AA融合计算，输出分类结果对应的可信度。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于HRRP与SAR数据可信决策融合的舰船分类方法