基于证据聚类的水声目标识别算法研究

2018-03-04张扬杨建华侯宏

西北工业大学学报 2018年1期

张扬, 杨建华, 侯宏

(1.西北工业大学自动化学院, 陕西西安 710129; 2.西北工业大学航海学院, 陕西西安 710072)

水声目标识别在诸多方面都有着重要的应用背景[1-2]。快速准确地识别是克敌致胜的关键,因此其相关研究一直深受关注[3-4]。但水声目标信号复杂且类别众多,同时又富含噪声和不确定数据,这都为识别工作带来了极大挑战。

水声目标识别系统受传感器探测精度和环境噪声影响,所获取的目标数据会包含大量的不精确、不确定信息,此外在应用中很难构建一个完备的样本库,使得目标数据也具有一定的不完备性。传统的水声目标识别算法诸如:支持向量机优化算法(Support vector machine algorithms,SVM)[1,3]和近邻改进算法(Improved K nearest neighbor algorithms,IKNN)[5-6]受其理论框架限制,不能很好处理这部分信息,在识别决策时易造成结果的误判。而证据分聚类算法[7-13]在不确定、不完备信息的量测和处理上具有显著的优势,为问题的解决提供了全新思路。在证据分聚类算法中,证据K近邻分类[7]和证据C均值聚类算法(Evidence c-means clustering algorithm,ECM)[8,9]计算简单、易于实现,也最具代表。但证据K近邻分类算法具有易受噪声数据影响的局限。因此,基于以上的算法基础并针对水声目标信号富含噪声和不确定信息的特定问题,文章首先对证据K近邻算法进行优化,然后结合ECM算法中目标函数和相关参数的设定,研究了一种基于证据聚类的水声目标识别算法(The evidence clustering recognition algorithm,TECRA)。通过水声目标实测数据的对比实验,对新算法的良好性能进行了验证分析。