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！

龙图腾网获悉北京理工大学申请的专利一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116049712B 。

龙图腾网通过国家知识产权局官网在2026-04-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211494295.3，技术领域涉及：G06F18/24；该发明授权一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法是由王彦华;刘艺辰;张亮;李阳;胡雪瑶设计研发完成，并于2022-11-25向国家知识产权局提交的专利申请。

本一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法在说明书摘要公布了：本发明公开了涉及一种先验知识辅助多分类器融合的极窄脉冲雷达目标识别方法，属于雷达目标识别技术领域。本方法将目标的先验概念信息，引入树形层次结构的自动化构建过程，弥补了基于数据自动化构建方法在知识上的不足，构建的树形结构中各分类节点的任务区分难度大大降低。因此，面对类别种类繁多、数据量不足的识别场景，本发明方法依然有较好的精细化目标识别性能。

本发明授权一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法在权利要求书中公布了：1.一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于步骤包括： 步骤1，基于目标极窄脉冲回波数据提取目标的多维度特征数据集，并将提取的多维度特征数据集划分为训练集和测试集； 步骤2，建立目标类别之间的概念相似度矩阵； 步骤3，根据类别相似度矩阵构建树形层次结构H； 步骤4，根据步骤1中划分的训练集选择步骤3构建的树形层次结构H的各分类节点的分类任务的特征子集，并将选择的所有特征子集构成特征集合M； 步骤5，将多个基分类器按照树形层次结构H组织成多分类器系统，并将步骤4中提取的特征子集输入到各基分类器中，并在各基分类器中对特征子集进行训练与参数优化，得到训练与参数优化后的多分类器系统； 步骤6，将步骤1划分的测试集输入到步骤5中训练与参数优化后的多分类器系统中进行目标识别，完成知识辅助多分类器融合的极窄脉冲雷达目标识别； 所述的步骤2中，将目标类别概念信息作为先验知识建立目标类别之间的概念相似度矩阵，建立目标类别之间的概念相似度矩阵的方法为： 第一步，根据识别任务需求确定目标类别概念知识，将场景中的雷达目标识别任务分解为三个层次； 第二步，将第一步确定类别概念知识表示为概念相似度矩阵，依据节点在树形结构中的距离远近来判定不同类别的概念相似关系，两节点在树形结构中的距离越近，即从根节点出发，到达两节点路径的公共节点越多，说明两节点存储类别的概念相似度越大；两节点在树形结构中的距离越远，即从根节点出发，到达两节点路径的公共节点越少，概念相似度越小，任意两种类别之间的概念相似度在0,1]之间，对于类别A1和类别B1，将两者之间的概念相似度计算公式表示如下： 其中，patA1表示从根节点到包含有类别A1的节点的路径，表示从根节点到包含有类别B1的节点的路径，表示两条路径的公共节点，表示路径的节点个数； 获得一个对称的维数为C×C的概念相似度矩阵，C为目标类别数； 所述的步骤3中，类别相似度矩阵是由步骤2中建立的目标类别之间的概念相似度矩阵与数据相似度矩阵融合得到的，根据类别相似度矩阵构建树形层次结构H的方法为： 第一步，计算各目标类别之间的数据相似度矩阵； 首先，基于树形结构中每个类别的特征样本集，针对每个类别提取有效特征表示，其中，叶子节点的特征样本集即为待测目标的训练集，而分类节点的特征样本集为与该分类节点相连子节点特征样本集的并集，采用主动采样算法设计典型性指标和多样性指标评估特征样本集中的所有特征样本，搜索最具代表性的样本作为该类别的特征表示，假设类别A1的特征样本集X包含M条样本，表示为X={xi，i=1,…,M}，xi表示X中一条样本的特征向量，xi的典型性指标与多样性指标的定义如下式所示： 其中，Ni为xi邻近样本集，δR为高斯核带宽，依据典型性指标与多样性指标对X中的所有样本进行评估，输出满足以下条件的样本： 将该样本的特征向量作为类别A1的特征表示； 随后，计算各类别样本数据的相似关系，依据不同类别在特征空间的距离来判定不同类别的数据相似关系，两类别在特征空间的距离用两类别的特征表示向量之间的欧式距离来表示，若两类别的特征表示向量之间的欧式距离越小，则两类别之间的数据相似度越大；反之，若两类别的特征表示向量之间的欧式距离越小，则两类别之间的数据相似度越大，对于类别A1和类别B1，将两者之间的数据相似度计算公式表示如下： 其中，表示欧式距离，为类别的数据知识表示向量，为类别N1的数据知识表示向量； 获得一个对称的维数为C×C的数据相似度矩阵； 第二步，计算各类别之间的类别相似度矩阵； 首先对Kc和Kd进行归一化处理得到K’c和K’d，将融合后的类别相似度矩阵Ks建模为K’c和K’d合适的线性组合形式： 其中w1、w2为常数权值系数，通过优化问题求解，具体定义优化权值系数的目标函数为： 其中I为单位矩阵； 最后，求解权值系数w1、w2,最终求得的权值系数表示为： 其中，alig·,·用来表示两个核矩阵的KTA值，如果对于核矩阵K’c和I，其KTA值计算方法为： 表示两个核矩阵之间的内积； 第三步，构建树形层次结构H； 采用第二步得到的类别相似度矩阵，通过谱聚类算法自适应构建树形层次结构H； 所述的第三步中，构建树形层次结构H的具体方法为： 1采用类别相似度矩阵，基于谱聚类算法将父节点f中包含的所有目标类别集合Jf聚类为N个子集合Jci{i=1,2,3,…,N}，并将各个子集合Jci存储到父节点相连的子节点ci{i=1,2,3,…,N}，通过第一次递归划分，“根”节点中包含的所有目标类别集合聚合为M个子集合，每个集合的目标类别数目分别为Nf1、Nf2、…、NfM； 2从“根”节点开始执行上述划分过程，聚类得到多个子集合，并存储到相连子节点；然后对所有的子集合递归执行上述划分过程，每次划分后，所得到的子集合中的类别数目更少，直至所有划分的子集合中仅有一个目标类别，将单个目标类别存储到叶子节点，从“根”节点开始，每次递归划分过程都仅对红色虚线框圈住的节点执行操作，在第N次递归划分过程后，生成的节点只存储了单个目标类别，最终完成树形层次结构的构建。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。