1.基于浅地层剖面仪与SVM的海底底质识别与分类方法,其特征在于,包含以下具体步骤:步骤1:利用浅地层剖面仪采集指定地点的浅表地层回波声学信号数据;
步骤2:对步骤1的数据进行预处理,得到SVM训练所需要的训练集与测试集;
2.1 原始数据其每ping数据间有特定的标识符,通过标识符对数据进行分割处理,将数据分ping读取储存;经过读写,我们可以得到每ping有N个代表声信号特征的数据图片原始数据;
2.2 根据地质的厚度与水深,在每ping的数据中选取有用的数据,公式为:S=N*(X/M)
P=N*(H/M)
其中S为每ping能反应水底底质的数据量,N为每ping的数据量,X为默认的底质厚度,M为浅地层剖面仪设置的最大量程,P有效数据开始序列数,H为水深;
2.3 对整理后的数据进行归一化处理:使用离差标准化,使结果值映射到[0‑1]之间,转换函数如下:其中ri表示第i组数据数组对应的浅表地层回波声学信号数据的值,max{ri}表示所有样本数据数组对应的浅表地层回波声学信号数据的最大值,min{ri}表示所有样本数据数组对应的浅表地层回波声学信号数据的最小值;
2.4 按照上述的步骤,对每一底质类型的5组数据选定其中较好的4组,每组各选择
200ping数据并对数据的底质类型进行标定,其中2组作为训练集,其中1组作为验证集用于交叉验证,其中1组作为测试集用来检验训练后的效果;
步骤3:采用的RBF核函数模型进行建模,对该模型进行训练,得到水底底质分类模型;
3.1 统计不同浅表地层回波声学信号的基本特征,按照步骤2取得的每ping的有效数据的个数作为特征向量,进行建模,采用的核函数模型分别为径向基(RBF)函数;
2
径向基(RBF)函数:K(x,xi)=exp(‑γ||xi‑xj||),γ>0
3.2 根据步骤2中得到的训练集,将浅表地层回波声学信号数据作为输入,对应底质类型进行输出,对该模型进行训练,得到水底底质分类模型;
步骤4:利用交叉验证的方法,多次测试得到最优的参数C和参数γ,进而得到最优的底质分类模型;
4.1 利用步骤2采样的已标定底质的验证集对步骤3中得到的底质分类模型进行测试,输入为测试集数据,输出为预测的分类结果,该结果与已知底质相比较得到分类准确率以此作为评价分类器的性能指标;
4.2 更改核函数半径C与参数γ重复步骤3和步骤4.1,选出最优的参数C和参数γ,得到最优的底质分类模型。
2.根据权利要求1所述的基于浅地层剖面仪与SVM的海底底质识别与分类方法,其特征在于,所述的步骤1中每个指定地点采集的数据不能少于五组。