[发明专利]基于PCA_LDA分析的多谱图特征融合识别方法

摘要

本发明公开了一种基于PCA_LDA分析的多谱图特征融合识别方法，包括利用PCA_LDA方法提取所有样本的谱图特征，并将提取得所有样本的多谱图特征融合为多谱融合特征矩阵；建立多谱融合SVM分类器；利用多谱融合SVM分类器样本进行识别；本发明所设计的基于PCA_LDA分析的多谱图特征融合识别方法能够快速的对复杂混合物整体特征进行准确分析识别。

主权项

一种基于PCA_LDA分析的多谱图特征融合识别方法，其特征在于，包括如下具体步骤：步骤(1)：采集n个样本，设定n个样本属于c种类别，对每一个样本选取m个不同谱图，利用PCA_LDA方法提取所有样本的谱图特征，并将提取得所有样本的谱图特征融合为多谱融合特征矩阵；所述步骤(1)包括如下具体处理：步骤(11)：标记第i个样本的训练样本集数据为第i个样本的m维数据集向量为则所有样本的n×m原始数据矩阵为其中，i＝1,2,3…n，li定义为的类别标签；步骤(12)：利用步骤(11)中的原始数据矩阵X和如下公式计算类内离差矩阵Sw：Sw=Σg=1cΣp=1ng(x→pg-t→xg)T·(x→pg-t→xg)]]>其中，ng表示第g类的样本个数，定义为第g类的样本的均值向量，g＝1,2,3…c，定义为第g类样本中的第p个样本的向量，T定义为矩阵转置，p＝1,2,3…ng；步骤(13)：利用步骤(11)中的原始数据矩阵X和如下公式计算类间离差矩阵Sb：Sb=Σg=1c(d→xg-d→x)T·(d→xg-d→x)]]>其中，定义为所有样本的均值向量，定义为第g类的样本的均值向量；步骤(14)：利用步骤(12)和步骤(13)中的Sw、Sb和公式计算特征值λ1，λ2，…，λc‑1及特征值所对应的特征向量并得到投影矩阵步骤(15)：对步骤(14)中的投影矩阵WLDA进行PCA降维处理，得到PCA投影矩阵WPCA，再将PCA投影矩阵WPCA投影到q维空间中，得到q维空间特征矩阵XPCA，其中，XPCA＝X·WPCA；步骤(16)：将WLDA、WPCA和XPCA利用如下公式完成最终的特征提取：∂=XPCA·WLDA=X·WPCA·WLDA]]>则m个不同谱图的投影后特征矩阵分别为其中，定义为投影后的特征矩阵；步骤(17)：利用公式将第i个样本的不同图谱投影后特征矩阵进行融合处理得到第i个样本的多谱融合特征矢量，并对所有的样本进行同样的融合处理，得到所有样本的多谱融合特征矩阵其中，定义投影后的特征矩阵矢量，为θf定义为第f种图谱的组合系数，f＝1,2,3…m；步骤(2)：利用步骤(1)中的多谱融合特征矩阵建立多谱融合SVM分类器；所述步骤(2)包括如下具体处理：步骤(21)：将步骤(17)中得到的多谱融合特征矩阵代入如下函数：求得时的支持向量其中，z＝1,2,3…n，j＝1,2,3…n，定义为第z个样本多谱融合特征矢量的最优化函数；az和aj都是拉格朗日乘子，其中z，j对应乘子下标，取值从1到n；lz代表z样本的类别标记，取值从1到c，lj代表j样本的类别标记，取值从1到c；步骤(22)：利用步骤(21)得到的支持向量和如下公式求得第z个样本多谱融合特征矢量的偏执量b*z：b*z=lz-Σj=1nlj·aj*·k(α→z,α→j)]]>步骤(23)：步骤(22)得到的偏执量b*z和支持向量代入如下函数中：其中，k(,)定义为支持向量机的核运算，即为SVM分类器的判别函数；步骤(3)：利用步骤(2)中建立的多谱融合SVM分类器对步骤(1)中采集的样本进行识别。