国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于多維特征的目標(biāo)行為模式在線分類方法與流程

      文檔序號:11952134閱讀:來源:國知局

      技術(shù)特征:

      1.一種基于多維特征的目標(biāo)行為模式在線分類方法,其特征在于包括以下步驟:

      步驟一:定義相關(guān)變量:

      1)需要考慮的近鄰數(shù)量k;

      2)訓(xùn)練航跡數(shù)據(jù)集其中l(wèi)1+…+lt+…+lm=l,1,2,…,m為訓(xùn)練航跡數(shù)據(jù)集中的航跡對應(yīng)的目標(biāo)的行為模式類別標(biāo)簽,l為訓(xùn)練樣本總數(shù);

      3)多因素定向Hausdorff距離矩陣M1,M2,…,Mm,其中矩陣M1的每個元素M1i,j:i=1,…,l1,j=1,…,k表示z1i到樣本集第j近的樣本之間的多因素定向Hausdorff距離,M2,…,Mm中的每個元素同理;

      4)空的優(yōu)先序列Q1,…,Qt,…,Qm;

      5)測試航跡zl+1={x1∪x2∪…∪xL},其中xi∩xj=φ:i,j=1,…,L∧j≠i,xj為多維航跡點;

      6)距離向量(m1,…,ml),其中mi:i=1,…,l表示zl+1到zi的多因素定向Hausdorff距離:

      7)距離向量(m'1,…,m'l),其中m'i:i=1,…,l表示zi到zl+1的多因素定向Hausdorff距離:

      8)類別指示變量其中i=1,…,L-1為對子航跡在線分類得出的類別,為對航跡{x1∪x2∪…∪xL}=zl+1在線分類得出的類別;

      步驟二:對測試航跡zl+1={x1∪x2∪…∪xL}中的子航跡{x1∪…∪xj},j=1,…,L和訓(xùn)練航跡數(shù)據(jù)集中的z1i:i=1,…,l1重復(fù)進(jìn)行如下分類過程:

      1)計算多因素定向Hausdorff距離矩陣M1i,1,...,M1i,k-1的和,并對距離mi賦零初值;

      2)根據(jù)多因素定向Hausdorff距離的定義對mi的取值進(jìn)行更新;

      3)對Q1內(nèi)的元素進(jìn)行更新;

      4)根據(jù)多因素定向Hausdorff距離的定義對m'i的取值進(jìn)行更新;

      5)根據(jù)距離m'i與距離M1i,k的取值大小,對不一致度量α1i的取值進(jìn)行更新;

      6)從Q1中提取當(dāng)前的k個距離值,并通過對這k個距離值的求和對不一致度量的取值進(jìn)行更新;

      7)計算的取值;

      步驟三:對測試航跡zl+1={x1∪x2∪…∪xL}中的子航跡{x1∪…∪xj},j=1,…,L和訓(xùn)練航跡數(shù)據(jù)集2≤t≤m中的zti:i=1,…,lt,用Mt替換M1,用Qt替換Q1,重復(fù)進(jìn)行如步驟二所示的分類過程,計算的取值;

      步驟四:比較的大小,選出最大的p值則當(dāng)前子航跡{x1∪…∪xj}對應(yīng)的目標(biāo)行為模式類別為c,即:

      步驟五:當(dāng)測試航跡zl+1的每個子航跡{x1∪…∪xj},j=1,…,L對應(yīng)的目標(biāo)行為模式都分類完成后,輸出類別指示變量和距離向量,查找最多的多維航跡點對應(yīng)的類別c,將zl+1添加到該類別對應(yīng)的訓(xùn)練航跡數(shù)據(jù)集中,組成新的訓(xùn)練航跡數(shù)據(jù)集

      步驟六:對多因素定向Hausdorff距離矩陣Mc進(jìn)行更新;

      步驟七:用更新后的訓(xùn)練航跡數(shù)據(jù)集和更新后的多因素定向Hausdorff距離矩陣Mc代替原來的和Mc,對測試航跡zl+2對應(yīng)的目標(biāo)行為模式進(jìn)行在線分類。

      2.根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)行為模式在線分類方法,其特征在于,

      步驟一中多因素定向Hausdorff距離的具體定義如下:

      1)考慮兩個目標(biāo)的位置特征、速度特征和航向特征,兩個目標(biāo)點a、b之間的多因素距離定義為:

      mfdist(a,b)=wd·dist(a,b)+wv·dist(va,vb)+wθ·dist(θab)

      其中va,vb表示點a與點b的速度,θa,θb表示點a與點b的航向,dist(a,b)表示點a與點b之間位置特征的歐式距離,dist(va,vb)表示點a與點b之間速度特征的歐式距離,dist(θab)表示點a與點b之間航向特征的歐式距離,wd表示位置特征的權(quán)重因子,wv表示速度特征的權(quán)重因子,wθ表示航向特征的權(quán)重因子,權(quán)重因子的取值取決于多因素距離的應(yīng)用場景;

      2)基于兩個目標(biāo)點之間的多因素距離mfdist(a,b),目標(biāo)航跡A到目標(biāo)航跡B的多因素定向Hausdorff距離定義為:

      <mrow> <mover> <msub> <mi>&delta;</mi> <mi>M</mi> </msub> <mo>&RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>A</mi> <mo>,</mo> <mi>B</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <mi>a</mi> <mo>&Element;</mo> <mi>A</mi> </mrow> </munder> <mo>{</mo> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>b</mi> <mo>&Element;</mo> <mi>B</mi> </mrow> </munder> <mo>{</mo> <mi>m</mi> <mi>f</mi> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>}</mo> </mrow>

      A與B為兩條目標(biāo)航跡。

      3.根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)行為模式在線分類方法,其特征在于,

      步驟二具體為:

      1)計算距離矩陣M1i,1,...,M1i,k-1的和并對距離mi賦零初值mi=0;

      2)根據(jù)多因素定向Hausdorff距離的定義,對mi的取值進(jìn)行更新:

      <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mover> <msub> <mi>&delta;</mi> <mi>M</mi> </msub> <mo>&RightArrow;</mo> </mover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>z</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>}</mo> </mrow>

      3)對Q1內(nèi)的元素進(jìn)行更新:

      如果Q1內(nèi)的元素個數(shù)小于近鄰數(shù)量k,則將當(dāng)前的mi取值插入到Q1中;如果Q1內(nèi)存有k個距離值,并且當(dāng)前的mi小于Q1中的最大距離值,則刪除Q1中的最大距離值,將當(dāng)前mi取值插入到Q1中;

      4)根據(jù)多因素定向Hausdorff距離的定義,對m'i的取值進(jìn)行更新:

      <mrow> <msub> <msup> <mi>m</mi> <mo>&prime;</mo> </msup> <mi>i</mi> </msub> <mo>=</mo> <mover> <msub> <mi>&delta;</mi> <mi>M</mi> </msub> <mo>&RightArrow;</mo> </mover> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>,</mo> <mo>{</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>&cup;</mo> <mo>...</mo> <mo>&cup;</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>}</mo> <mo>)</mo> </mrow> </mrow>

      5)根據(jù)距離m'i與距離M1i,k的取值大小,對不一致度量α1i的取值進(jìn)行更新:

      如果:m'i<M1i,k,

      α1i=vi+m'i

      否則,

      α1i=vi+M1i,k

      αi的具體定義為:給定一個樣本序列{z1,...,zn},i=1,...,n代表空間Rd中的一個非空點集,樣本zi到集合{z1,...,zn}\zi的多因素不一致度量αi可以定義為:

      <mrow> <msub> <mi>&alpha;</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mover> <msub> <mi>&delta;</mi> <mi>M</mi> </msub> <mo>&RightArrow;</mo> </mover> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>N</mi> <mi>N</mi> <mo>(</mo> <mrow> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>,</mo> <mo>{</mo> <msub> <mi>z</mi> <mn>1</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>z</mi> <mi>n</mi> </msub> <mo>}</mo> <mo>\</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>j</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>

      其中NN(zi,{z1,...,zn}\zi,j)∈{z1,...,zn}\zi表示根據(jù)定義的多因素定向Hausdorff距離計算得出的距離zi第j近的樣本;

      6)從Q1中提取當(dāng)前的k個距離值,對不一致度量的取值進(jìn)行更新:

      <mrow> <msub> <mi>&alpha;</mi> <mrow> <mn>1</mn> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <mi>s</mi> <mi>u</mi> <mi>m</mi> <mo>{</mo> <msubsup> <mi>m</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msubsup> <mi>m</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>}</mo> </mrow>

      7)計算取值:

      <mrow> <msub> <mi>p</mi> <mrow> <mn>1</mn> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mo>{</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>l</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>1</mn> <mo>:</mo> <msub> <mi>&alpha;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> </msub> <mo>&GreaterEqual;</mo> <msub> <mi>&alpha;</mi> <mrow> <mn>1</mn> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msub> <mo>}</mo> <mo>|</mo> </mrow> <mrow> <msub> <mi>l</mi> <mn>1</mn> </msub> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> </mrow>

      表示集合中元素的數(shù)量。

      4.根據(jù)權(quán)利要求1所述的基于多維特征的目標(biāo)行為模式在線分類方法,其特征在于,

      步驟六具體為:

      1)多因素定向Hausdorff距離矩陣Mc的第1行到第lc行,根據(jù)距離向量進(jìn)行更新;

      2)將輸出的距離向量作為最后一行增加到多因素定向Hausdorff距離矩陣Mc中。

      當(dāng)前第2頁1 2 3 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1