论文部分内容阅读
随着技术的进步，无人机的应用将拥有更加广阔的市场前景。由于无人机飞行环境复杂，因此快速有效的场景识别成了无人机实现自主导航和探索环境的先决条件，这不仅能够让无人机很好地感知和理解场景环境，也为后续飞行任务提供安全保障。而现阶段飞行场景分类面临着诸多困难:一是需要找到一种有效的场景特征提取方法，提取能够充分体现类别属性的特征;二是设计具有良好分类性能的分类器。支持向量机因其在解决小样本、非线性、高维度等问题中的优势，在场景分类中取得了很好的应用。然而其参数的选择直接影响着支持向量机的分类效果和泛化能力，因此如何选择参数是应用支持向量机的关键，在目前还没有合适的理论指导参数选择的情况下，使用遗传算法来自动优化支持向量机的参数是一个研究热点。 本文针对无人机飞行场景的分类识别，研究了场景图像特征提取的方法、支持向量机分类器参数选择方法和支持向量机集成分类器设计方法，以及这些方法在场景分类识别中的应用。本文的研究工作具体如下: 1)提出了一种多特征融合的特征提取方法。考虑到飞行场景图像有其特有的特征:颜色丰富、多分辨率特性、旋转和拍摄角度多变以及具有很强的纹理特性。针对这些特征，采用小波分析的多分辨率特性提取多尺度条件下场景图像的纹理特征。单一特征只能描述图像的部分属性，对图像内容描述比较片面，为了不丢失颜色这一突出的场景特征属性，采取颜色纹理组合特征提取方法，实验结果证实了该方法的有效性。 2)提出了一种基于改进自适应遗传算法(DAGA)的SVM参数优化算法。惩罚参数和核参数对支持向量机的分类效果和推广能力的影响很大，所以使用改进的自适应遗传算法对SVM的参数进行优化。对自适应遗传算法的控制参数等提出了相应的改进策略。根据进化时期种群的多样性指标，将进化状态分四种情况讨论。在不同的进化状态下，使用不同的交叉变异概率调整方案，和种群当时的进化性相适应，更好的指导种群进化，避免了早熟收敛，提高了遗传算法的进化效率。与网格法的对比实验验证了遗传算法在SVM参数优化上的优越性。 3)提出了一种基于差异性增强的SVM集成算法。通过对目前支持向量机集成学习算法研究的分析，要获得较好的集成结果就需要降低个体学习器的误差并增加个体学习器之间的差异。本文从集成学习中的个体生成和结论合成两个角度出发，以集成分类器的分类精度和个体分类器间的差异度为优化目标，使用DAGA算法对每个个体分类器的惩罚参数、核参数和输出权重进行修正，实现了对集成支持向量机模型参数的扰动机制。仿真实验结果表明，与单一支持向量机相比，集成算法分类精度和泛化能力有很大的提升。