基于改進的ISODATA的超球覆蓋仿生模式分類算法

摘 要：現有仿生模式識別分類器難以解決含有多個聚集點、非線性和稀疏性樣本的分類問題。因此，引入特征分類貢獻度，提出了基于改進的迭代自組織數據分析（M-ISODATA）的超球覆蓋仿生模式識別算法。首先引入馬氏距離對自組織數據分析方法（ISODATA）的歐氏距離替換，并引入熵權法對馬氏距離進行加權以賦予各特征不同的貢獻度；同時為了去除干擾樣本點，引入改進的局部離群因子檢測方法（M-LOF）對樣本進行訓練，減少了不同類別流形之間的重疊區域。再利用改進的自組織數據分析方法（M-ISODATA）對每類訓練樣本點動態聚類，尋找到同一類的多個小類覆蓋區中心后，用超球進行該類的有效覆蓋，并對落入重疊區域的測試樣本點進行二次劃分，實現測試樣本的正確分類。最后在iris數據集上驗證該算法的有效性，并將該算法應用于雷達輻射源信號的分類識別。實驗結果表明，該算法具有很好的拒識、免重訓能力，對于雷達信號的識別率能達到97.29%，相比于傳統典型模式識別算法具有更好的識別能力。

關鍵詞：超球覆蓋； 加權馬氏距離； 局部離群因子； 自組織數據分析； 免重訓

中圖分類號：TP391 文獻標志碼：A

文章編號：1001-3695（2023）03-008-0689-07

doi：10.19734/j.issn.1001-3695.2022.07.0405

Bionic pattern classification algorithm for hyperspherecoverage based on improved ISODATA

Liu Liping1， Feng Qingxian2， Yu Zhibin1

（1.School of Electrical Engineering， Southwest Jiaotong University， Chengdu 611756， China; 2.The 29th Research Institute of China Electro-nics Technology Corporation， Chengdu 610036， China）

Abstract：The existing biomimetic pattern recognition classifiers cannot solve the problems of classification with multiple aggregation points， nonlinear and sparse samples. Therefore， this paper introduced the contribution degree of feature classification， and proposed a hypersphere coverage bionic pattern recognition algorithm based on improved iterative self-organizing data analysis （M-ISODATA） . Firstly， this paper introduced Markov distance to replace Euclidean distance of the self-organized data analysis method （ISODATA） ， and introduced entropy weight method to give each feature different contribution degrees. At the same time， in order to remove the interference sample points， this paper introduced an improved local outlier detection method （M-LOF） to train the samples， which reduced the overlapping area between different classes of manifolds. Then， it used the improved self-organizing data analysis method （M-ISODATA） to dynamically cluster each type of training sample points. After finding the center of the coverage area of multiple subcategories of the same class， this paper used the hypersphere to effectively cover the class， and divided the test sample points falling into the overlapping area twice to achieve the correct classification of test samples. Finally， it verified the validity of the algorithm on iris dataset， and applied the algorithm to the classification and recognition of radar emitter signals. The experimental results show that the algorithm has a good ability to reject recognition and avoid repeated training， and the recognition rate for radar signals can reach 97.29%， which is better than the traditional typical pattern recognition algorithm.

Key words：hypersphere coverage; weighted Mahalanobis distance; local outlier factor; self organizing data analysis; no retraining

0 引言

模式識別是人工智能的重要研究領域，其主要任務和核心研究內容是模式分類，經過多年的發展，已經形成了一系列經典的理論和方法。在分類模型與方法構建方面，圍繞“識”和“別”的不同側重程度，形成了兩種不同的研究方向。一種是傳統模式識別認為所有可用的信息都包含在訓練樣本集中，其立足點是建立在特征空間若干類別樣本的最佳分類劃分上，代表性方法有Fisher判別［1］、支持向量機（support vector machine，SVM）［2］、人工神經網絡（artificial neural network，ANN）、及其相應的改進方法［3～6］。這類傳統識別方法側重于“別”，即一類樣本與有限類已知樣本的區分，而忽視了“識”。然而，人類對事物的識別是一個“ 認識” 過程，即一類樣本與無限類未知樣本的區分，側重于“ 識”［7］。忽略“認識”過程的識別方法至少存在兩個方面的先天不足：a）首次遇到未學習過的新事物時容易誤認為是某一種學習過的舊事物；b）在對未訓練過的新事物進行新的學習時，往往會打亂舊知識，破壞對原學習過的舊事物的識別［8］。即識別新類時，必須將新類與原訓練所有類一起重新訓練，以確定所有類別邊界，時間復雜度大，難以實現在線學習；同時在面對未經訓練的樣本時，必定被劃分為已訓練的某一類別，造成誤識；或是面對未知干擾時不能拒識。

事實上，同類事物的兩個不同樣本之間，至少有一個漸變過程，在這個漸變過程中的所有樣本仍屬于該類，即事物具有同源連續性規律［7］。從模式識別的角度來看，即同類樣本在特征空間中是連續分布的，任意兩個樣本點之間具有某種連續變化的關系。如果把模式識別問題看成模式的 “認識”，一個一個地“認識”同類樣本，則認識新類時，無須負樣本（非新類）參與訓練，既能夠“識”，又能夠“別”，從根本上克服了以最佳劃分為基點的分類方法的不足，為建立新的模式識別理論提供了新的途徑。

于是，基于同源連續性思想和模擬人類認識事物的過程，王守覺院士［7］提出了另一種全新的仿生模式識別理論和方法。仿生模式識別理論把模式識別問題看成是對各類樣本的認識，并將同源連續性規律作為先驗知識，用高維空間幾何流形覆蓋方法實現對同類事物的學習，進而實現對各類事物的認識識別。其核心問題是認識學習某類事物時，如何在高維特征空間實現對該類事物樣本的最優連續覆蓋。覆蓋后在特征空間中形成的連續、閉合的復雜幾何流形區域賦予該類的屬性。其識別過程就是判斷特征空間中待識別樣本點是否落入此幾何流形區域內。若是，則該樣本點屬于此幾何流形所代表的類別；否則認為不屬于該類。由于其獨特的優勢，仿生模式識別于 2002 年被提出后，被迅速應用于人臉識別［8］、時間序列匹配［9］和語音識別［10］等領域。然而，針對仿生模式識別的流形覆蓋，雖然同一類樣本在高維特征空間中的分布表現為一個具有一定拓撲的流形，但是要實現對這類事物的完全流形覆蓋則面臨多類樣本非線性交疊和離群點等問題。

于是，圍繞如何建立覆蓋單元、如何對同類樣本連續覆蓋學術辦進行了大量的研究和探索。覃鴻等人［11］提出了多權值神經元網絡仿生模式識別方法，以建立多個神經元的超曲面圍成的高維有限空間流形覆蓋區域，并將其應用于小樣本語音識別。文獻［12］提出了一種基于膠囊的分類覆蓋算法，該算法通過引入縮放因子以減少樣本覆蓋中流形區域的重合問題，然而其僅適用于一類樣本分布只有一個聚集點的情況。文獻［13］提出了一種基于超橢球的多類文本分類算法，該算法的關鍵是確定空間中超橢球的軸長和方向向量，但是在高維空間中對于超橢球的計算量非常大。文獻［14］提出一種基于超球鏈覆蓋的仿生模式識別方法對文本信號進行識別，該方法使用最小二乘法對樣本進行直線擬合，在樣本數據線性分布情況下分類效果顯著。

雖然仿生模式識別一經提出便得到學術界的廣泛關注，并取得了一系列研究成果，但現有方法主要針對具體的應用場景和具有某種分布特性的數據集，沒有在流形覆蓋過程中考慮樣本特征空間中各特征對認識各類別的貢獻度。同時，由于離群樣本和干擾噪聲等影響，致使現有的仿生模式識別方法分類效果仍然難以滿足實際應用的需求。因此，本文針對現有仿生模式識別算法存在的問題，采用信息熵加權的馬氏距離為距離度量，改進了局部離群因子檢測方法，并對樣本中的孤立點進行篩除；此外采用加權馬氏距離改進的自組織數據分析方法構建超球分類模型，在此基礎上建立基于加權馬氏距離的超球覆蓋仿生模式分類算法，使得該方法能夠適應具有多個聚集點、非線性分布、稀疏分布等特點的樣本數據集，且對離群樣本和干擾噪聲不敏感。

1 基于改進的ISODATA超球覆蓋

1.1 基于超球覆蓋的分類思想

張鈴等人［15］于1998年提出將神經元與超球面上的球形領域之間建立直接的對應關系，便能把神經網絡的構建轉換為特征訓練樣本的球形覆蓋求解問題，并相繼提出領域覆蓋算法和交叉覆蓋算法，用超球流形覆蓋面來實現神經網絡模型的構建。

基于超球覆蓋的分類思想是：通過學習各類訓練樣本，構建各類樣本對應的超球覆蓋流形（圖1）。當分類某樣本時，計算待分類樣本點與各類超球中心點的距離，當距離小于某類超球半徑時，則認為測試樣本點屬于該超球類別，依此類推，直到所有待分類樣本分類完成。

仿生模式識別方法的核心是在高維特征空間尋找對待分類事物樣本的最優連續覆蓋。盡管超球覆蓋［13，14］在處理非膠囊或香腸型數據時比直線段膠囊覆蓋［7～12］有優勢，但面對非線性、稀疏分布數據時仍有心無力。特別是當某類數據具有多個聚集中心且類別間相互交疊時，現有覆蓋方法均無法滿足數據分類的要求。圖2給出了數據在非線性、稀疏和多聚集中心分布下的球覆蓋和膠囊覆蓋情況。從圖2可知，在數據非線性和稀疏分布條件下，膠囊覆蓋的分類效果好于球覆蓋。在數據存在多聚集中心且各類交疊情況下，兩種覆蓋都存在嚴重不足。從超球覆蓋分類原理和圖2可知，在超球流形覆蓋學習中，超球中心（類別數據聚集中心）和超球半徑的選擇尤為重要。如果能夠依據數據的分布情況，動態選擇相應的超球中心和合適的超球半徑，將能夠更好地解決非線性和稀疏分布，以及存在多聚集中心的各類數據的流形覆蓋問題。

迭代自組織聚類算法（ISODATA）［16］能夠在聚類過程中根據各個類別的實際情況調整聚類中心數量，實現對每類訓練樣本進行動態聚類。本文引入該算法，依據數據實際分布確立超球中心和半徑，以實現超球流形覆蓋。

1.2 改進的ISODATA算法（M-ISODATA）

ISODATA算法通過自動合并和分裂調整類別數，每類都得到若干小類以及各小類的中心。但在聚類過程中以歐氏距離為測度，忽略了不同特征維度在聚類過程中的重要程度差異。馬氏距離［14］可以用于度量高維數據空間中各樣本點間的距離，非常適合作為高維超球覆蓋中距離的測度。假設有特征樣本集為

對于m維特征樣本數據xi，則樣本xi與xj之間的馬氏距離可以表示為

其中：Σ-1表示m×m的協方差逆矩陣；xj為不同于xi的特征樣本點。從式（1）可知，Σ-1表示m×m的協方差逆矩陣，是衡量超球多維樣本數據間相關性的統計量。馬氏距離實質上是一種加權的歐氏距離，即按照特征樣本的方差大小和特征樣本之間的相關程度進行加權。圖3為各特征樣本集在歐氏空間和馬氏空間的分布情況。

以歐氏距離為判據（圖3（a）），綠色樣本點（未知類別點）與藍色樣本點（黑色點的均值中心）更近。馬氏距離是歐氏距離的協方差歸一化加權，消除了量綱，紅色樣本點（未知類別點）與藍色樣本點更近（圖3（b））。但這種加權仍然不能夠反映不同特征對聚類效果的貢獻程度。

信息熵實質是對系統無序程度的一種度量方式，也可用于信息有用程度的表征。本文引入信息熵表征某數據空間特征對類別劃分的重要程度。基于信息熵的馬氏距離加權過程如下：

其中：Ω=dia（w1，w2，…，wm）是特征權重矩陣;Σ-1=dia（1/σ21，1/σ22，…，1/σ2m）為特征協方差矩陣；wt（t=1，2，…，m）是每個特征的權重。

圖4為圖3特征樣本數據在基于信息熵加權的馬氏距離空間的分布，在馬氏距離基礎上考慮了特征貢獻度，當特征1貢獻度大于特征2時，出現綠色樣本點與藍色樣本點更近的情況，該樣本點更可能與藍色樣本點屬于同一類。

在實際情況中，需要人工設置初始的聚類中心數目K0以及期望的聚類中心數目Kq，最少樣本數目Nmin以及類別間允許的最小距離dmin，允許迭代次數Fmax以及一次迭代過程中允許合并的聚類中心對數Lmax，可以通過多次實驗取最優值。

基于改進的ISODATA算法構建的球覆蓋模型能夠通過樣本學習對每類樣本內部分散的小類進行覆蓋，從而完成仿生模式識別過程中類別流形的構建。圖4展示了前述非線性分布、稀疏分布或者具有多個聚類點的數據的流形覆蓋結果。從圖6（b）和（d）可知，改進算法具有顯著的優勢。

除了特征樣本數據分布影響超球覆蓋分類性能外，在分類過程中，噪聲干擾也對分類結果造成重要影響。噪聲干擾往往造成少數樣本離群點，導致不同類別間產生嚴重的流形區域重疊現象。為了去除離群樣本，減少不同類別流形之間的重疊區域，通過局部離群因子檢測方法（LOF）［17］對訓練集中的離群點進行剔除。

1.3 改進的LOF算法（M-LOF）

局部離群因子檢測方法，是一種具有代表性的基于密度的離群點檢測方法，由于離群點周圍的密度遠低于其近鄰點附近的密度，所以可以通過計算樣本點與其近鄰點的相對密度比值，反映出該樣本點的離群程度。但是，現有LOF中每一個樣本與其鄰居的關系只用簡單的歐氏距離進行表征，同時樣本中不同變量的權值比重是一樣的，沒有考慮變量權重尺度。故以前述的加權馬氏距離替換LOF中的歐氏距離。

定義可達密度lrdk（p），用來衡量數據對象p在其附近集合內的稀疏程度，值越小則表明分布越稀疏，越可能是離群點。通常可表示為

其中：o為樣本集中除p以外的集合中的某一數據；reachdk（p，o）=max{d^k（p），d^（p，o）}為p相對o的第k可達距離;d^（p，o）為樣本p與o的加權馬氏距離；d^k（p）為樣本p的第k距離，即距離p第k遠的點到p的加權馬氏距離。

應用式（8）計算數據集中每個樣本點的離群因子，判斷是否為離群點。LOF值遠大于1時為離群點，反之則為正常點。

基于加權馬氏距離的ISODATA超球覆蓋優化算法結合改進的ISODATA和LOF算法，超球流形覆蓋優化算法詳細描述如下：

a）數據預處理。用改進的LOF算法消除干擾孤立點。最大最小值歸一化公式如下：

其中：x為原始數據；x′為歸一化后的數據，并作為LOF算法的輸入。

b）計算超球覆蓋算法中每個類別的球心C。利用改進的ISODATA算法計算第i類訓練樣本的K個聚類點C′={c′1，c′2，…，c′K}，找出最近的兩個聚類中心點，以兩類聚類中心點的中點為球心C={c1，c2，…，cK-1}。K個聚類中心點能構造K-1個球心。

c）確定球形覆蓋中超球體的半徑R。任意指定一聚類中心cK，計算其余聚類中心到cK的加權馬氏距離，找出其中最小值對應類別cK-1，以這兩聚類中心點的距離為直徑構造出兩個超球體。再計算其他聚類中心到cK-1的距離，重復上述步驟。為了盡可能覆蓋更多的樣本點，確定一個半徑系數Cr，計算R=R′·Cr，即對R′={r′1，r′2，…，r′k-1}乘以權重Cr，即可得到K-1個超球體的半徑R={r1，r2，…，rk-1}。

d）以C為球心，R為半徑構造出一類樣本的超球體流形區域，重復以上操作，即可得到每一類樣本的流形。

e）重疊區域點的二次劃分。構造標簽矩陣L，利用KNN思想進行重疊區域的二次劃分，劃分流程如圖7所示。

中的任一條件，則被識別為覆蓋該樣本點的超球所代表的類別，式（10）中條件均不滿足時，樣本點被拒識。其中RA、RB、RC、RD分別表示每個超球區域的覆蓋半徑。

2 實驗仿真及結果分析

為了驗證該超球算法的有效性，首先使用含三類樣本的iris公共數據集進行分類驗證實驗。然后，文中算法被應用于雷達輻射源信號分類識別。

2.1 iris數據集實驗驗證

已知iris數據集分為virginica、setosa、versicolour三個品種，通過四個屬性（花萼長度，花萼寬度，花瓣長度，花瓣寬度）進行分類識別。數據集總共包含3類總共150個數據樣本，每一類具有50個樣本。從每類選取30個樣本作為訓練集，20個樣本作為測試集。萼片長度、萼片寬度和花瓣長度等三維特征對應的M-ISODATA超球流形如圖8所示，其中，藍色表示setosa，綠色表示virginica，紅色表示versicolour。

分類模型在不同覆蓋半徑系數Cr值的半徑下NMI、召回率和精確率的數值變化，如圖9所示。

由圖9可知，當Cr為1.5時模型的綜合效果更佳。將本文算法與現有的仿生模式識別算法進行了對比，識別結果如表1所示。

本文算法中，各個屬性特征對分類的貢獻度如表2所示，可以看出在iris數據集中，各個特征的貢獻度差異不大。

改進的超球流形算法與傳統SVM、KNN和BP模式識別算法的識別能力對比如圖10所示。從圖10中可以看出，分類類似于iris數據集的數據，本文算法優于現有典型分類器。

2.2 雷達輻射源信號分類應用

1）特征貢獻率

雷達輻射源數據樣本數量為19 125，每個樣本包含脈沖到達時間、載頻（RF）、脈寬（PW）、幅值（PA）、到達時間間隔等五個特征參數。應用主成分分析法，對特征樣本進行分析，發現PA、PW和RF三大特征對表征整體樣本特性的總貢獻率高達95.37%，三個特征的貢獻率如圖11所示。故在后續研究中，主要利用雷達信號的這三類特征進行分析。

基于上述雷達信號數據樣本分析，在總樣本集中隨機選取小樣本集，即1 800個樣本點（總共包括四類數據，每類樣本個數為450）。選取信號載頻RF、脈沖寬度PW和脈沖幅值PA三個特征作為主元特征構成樣本點以便進行分析、測試。

2）雷達信號分類

先對數據進行預處理，包括數據歸一化處理以及利用LOF算法去除樣本中的孤立點。PA、PW和RF特征的三維空間的散點分布如圖12所示。同時，為了體現改進的LOF算法的有效性，比較了以歐氏距離為度量的LOF算法與加權馬氏距離度量的LOF算法在雷達信號的分類測試中的影響。

經過數據預處理，從高質量的1 600個樣本中，選取每類樣本中的280個為訓練集，120個為測試集。即在1 600個總樣本中有1 120個訓練樣本集，480個測試樣本集。第三類樣本在三維空間的分布如圖13所示（其中，單獨的圓圈表示孤立點，星號部分表示提煉出的正常樣本點）。

為了體現特征貢獻度對算法能力的提高，不進行去除孤立點的操作、使用加權LOF算法、使用未加權LOF算法預處理的雷達輻射源分類識別效果如表3所示。

在加權算法中，每類樣本中各屬性特征的貢獻度如表4所示，可以看出在雷達輻射源信號中，不同特征的特征貢獻度有很大的差異。

然后，利用改進的ISODATA算法計算每類樣本點的覆蓋中心和覆蓋半徑，找到能夠代表每一類樣本的覆蓋中心后，然后依據球形覆蓋半徑依次覆蓋代表每類樣本中的核心端點，最后對流形作拓撲運算得到三維空間中的超球簇，完成對所有樣本點的流形覆蓋，得到的RES數據三維超球覆蓋流形如圖14所示。訓練覆蓋模型中的四種顏色分別代表四個不同類別的超球簇覆蓋流形，分布在不同超球體內的樣本點分別屬于不同的類別。

最后輸入測試集樣本，落于任意流形內部的點被識別，外部的點被拒識。再對算法性能進行評估。圖中第一類樣本的藍色流形與第二類樣本的黃色流形之間的覆蓋重疊比較多，因此在混淆矩陣中灰色區域有所反映，表示第二類中有部分樣本被誤識為第一類。

在半徑的計算過程中引進覆蓋半徑識別系數Cr，選取不同Cr值下的半徑，觀測三大評價指標NMI、精確率和召回率的變化，如圖15所示。可見，當Cr為1.9時，模型的綜合效果更佳。

為了證明在改進的ISODATA算法中特征貢獻度對于構建超球模型的有效性，對比了使用加權的M-ISODATA算法和未改進ISODATA算法對雷達分類的識別結果，如表5所示。

分別將膠囊算法、SVM、KNN和BP算法用于分類識別，在RES數據集進行了對比測試的結果如表6所示。其中：RR表示識別率，FAR表示誤識率。

3）對未知干擾類的拒識能力測試

基于認知思想的仿生認知分類方法與傳統方法之間的主要區別在于識別學習過程中，其正確拒識新類別的能力。為了進一步驗證優化超球覆蓋分類算法的拒識能力，選取四類RES數據中的任一類作為未知類加入實驗測試集中。這里選擇第四類作為未知類，對前三類樣本進行訓練，輸入四類測試集樣本進行測試。

在RES數據集上進行了對比測試的結果如表7所示。其中：RR表示識別率，FRR表示拒識率。從表7中可以看出，相較于傳統模式識別中的SVM、KNN和BP分類方法，基于認知的超球流形覆蓋算法和膠囊流形算法能夠識別未知新類，進而整體的識別率高。而其他方法不具備拒識的能力，當面對測試集中的新類別樣本時，它會將其誤識為已學習過的樣本類別，故大大削減這些方法原始的識別效果。

4）免重訓能力測試

免重訓是指模式識別系統在遇到分類新未知類別時，無須新類與訓練集中已有的類別一起重新學習。例如：已訓練A和B兩類的分類模型，現需要用該模型識別未知C類時，本文模型無須將C類與A、B類數據一起訓練分類器，只需對C類數據進行學習，該過程稱為免重訓。這里直接訓練四類雷達數據樣本和先訓練三類樣本數據，再加入第四類樣本數據之后的識別率的對比結果如表8所示。

從表中可以看出，本文算法具有良好的免重訓能力，降低了算法復雜度，有利于在線學習。

2.3 時間復雜度分析

改進的ISODATA算法的時間復雜度為O（N2），N為訓練集的樣本數。與傳統ISODATA算法相比，雖然時間復雜度增加了，但是沒有數量級上的改變。綜合幾種算法的能力來看，本文算法與文獻［12］具有顯著的分類性能優勢。在相同的實驗環境下，運行兩種數據選擇算法所需的最大最小時間如表9所示。其中最小最大時間分別是iris和radar數據集。可見，本文算法在提高性能的同時，并未提升過多時間復雜度，有一定的可行性。此外，傳統的模式識別算法在樣本數據多時，有著顯著的時間優越性，但在小樣本集時，本文算法有著顯著的性能。

3 結束語

仿生模式識別是一種新的、不同于傳統識別方式的識別方法，相比于傳統的模式識別方法，它能實現對新類的免重訓，以及對干擾數據的拒識。針對覆蓋樣本中噪聲等擾動導致的流形重疊問題，先使用改進的LOF算法篩除樣本中的孤立點，再使用迭代自組織聚類算法對流形重疊區域進行二次劃分。利用加權馬氏距離對傳統歐氏距離度量中忽略掉的樣本特征的分類貢獻率和彼此之間的聯系進行修正，使得分類結果更加準確。針對仿生模式識別中樣本的覆蓋問題，建立超球體為覆蓋單元的仿生模式識別算法，結合改進的ISODATA算法，能夠有效實現對擁有多個聚集點、非線性分布、稀疏分布的樣本的覆蓋，更加符合樣本的分布特性。應用三類iris數據對該分類器算法進行有效性測試，識別率可以達到100%。再把該算法應用于四類雷達輻射信號的分類識別上，識別率可以達到97.29%，對于未知干擾類別也可以有效拒識，拒識率達到100%，此外還有良好的免重訓能力。對比基于膠囊的仿生模式識別算法和傳統的模式識別算法，該分類器在各項性能上都有很好的分類效果，但該算法還存在一些問題，比如各個類別的訓練樣本構成的超球區域是由流形堆疊而成，而在中間產生的空白區域可能會導致一定的誤識情況產生，在未來將會對其進行進一步研究。

參考文獻：

［1］Fisher R A. Contributions to mathematical statistics［M］. Hoboken：Wiley， 1952.

［2］Vapnik V N. 統計學習理論的本質［M］.張學工，譯. 北京：清華大學出版社，2000. （Vapnik V N.Essence of statistical learning theory［M］.Zhang Xuegong， trans. Beijing：Tsinghua University Press， 2000.）

［3］閆鵬程， 尚松行， 張超銀， 等. 改進BP神經網絡算法對煤礦水源的分類研究［J］. 光譜學與光譜分析，2021，41（7）：2288-2293. （Yan Pengcheng， Shang Songxing， Zhang Chaoyin，et al.Research on classification of coal mine water source by improved BP neural network algorithm［J］. Spectroscopy and Spectral Analysis，2021，41（7）：2288-2293.）

［4］李思奇， 呂王勇， 鄧柙， 等. 基于改進PCA的樸素貝葉斯分類算法［J］. 統計與決策， 2022，38（1）：34-37. （Li Siqi， Lyu Wang-yong， Deng Jia， et al.Naive Bayesian classification algorithm based on improved PCA［J］. Statistics and Decision Making， 2022，38（1）：34-37.）

［5］李博， 張曉， 顏靖藝， 等. 基于值差度量和聚類優化的K最近鄰算法在銀行客戶行為預測中的應用［J］. 計算機應用， 2019，39（9）：2784-2788. （Li Bo， Zhang Xiao， Yan Jingyi， et al. Application of KNN algorithm based on value difference metric and clustering application of KNN algorithm based on value difference metric and clustering［J］. Journal of Computer Applications， 2019，39（9）：2784-2788.）

［6］王新晴， 孟凡杰， 呂高旺， 等. 基于PCA-SVM準則改進區域生長的非結構化道路識別［J］. 計算機應用， 2017，37（6）：1782-1786. （Wang Xinqing，Meng Fanjie，Lyu Gaowang，et al. Unstructured road detection based on improved region growing with PCA-SVM rule［J］. Journal of Computer Applications，2017，37（6）：1782-1786.）

［7］王守覺. 仿生模式識別（拓撲模式識別） ——一種模式識別新模型的理論與應用［J］. 電子學報，2002，30（10）：1417-1420. （Wang Shoujue. Bionic pattern recognition（topological pattern recognition）—Theory and application of a new pattern recognition model［J］. Acta Electronica Sinica，2002，30（10）：1417-1420.）

［8］王守覺，曲延鋒，李衛軍，等. 基于仿生模式識別與傳統模式識別的人臉識別效果比較研究［J］. 電子學報，2004，32（7）：1057-1061. （Wang Shoujue，Qu Yanfeng，Li Weijun，et al. Comparative study on the effect of face recognition based on bionic pattern recognition and traditional pattern recognition［J］. Acta Electronica Sinica，2004，32（7）：1057-1061.）

［9］閭海榮，韓慧，王文淵. 基于仿生模式識別思想的時間序列匹配［J］. 電子學報，2007，35（7）：1323-1326. （Lyu Hairong，Han Hui，Wang Wenyuan. Time series matching based on bionic pattern recognition［J］. Acta Electronica Sinica，2007，35（7）：1323-1326.）

［10］徐毅，殷業，王沛. 基于仿生模式識別的語音識別研究［J］. 上海電機學院學報，2007，10（2）：127-130. （Xu Yi，Yin Ye，Wang Pei. Research on speech recognition based on bionic pattern recognition［J］. Journal of Shanghai Institute of Electrical Engineering，2007，10（2）：127-130.）

［11］覃鴻，王守覺. 多權值神經元網絡仿生模式識別方法在低訓練樣本數量非特定人語音識別中與HMM及DTW的比較研究［J］. 電子學報，2005，33（5）：957-960. （Qin Hong，Wang Shoujue. A comparative study of multi weight neural network biomimetic pattern recognition method with HMM and DTW in speaker independent speech recognition with low number of training samples［J］. Acta Electronica Sinica，2005，33（5）：957-960.）

［12］Yu Zhibin，Ying Zhang，Chen Chunxia. A classification method of capsule covering［C］//Proc of the 16th International Conference on Natural Computation，Fuzzy Systems and Knowledge Discovery. Berlin：Springer ，2020 ：1002-1009.

［13］秦玉平，陳一荻，王春立，等. 基于超橢球的多類文本分類算法研究［J］. 計算機科學，2011，38（8）：242-244. （Qing Yuping，Chen Yidi，Wang Chunli，et al. Research on multi class text classification algorithm based on hyperellipsoid［J］. Computer Science，2011，38（8）：242-244.）

［14］李麗，殷業，崔曉靜. 基于超球覆蓋仿生模式識別的指紋點名系統［J］. 上海師范大學學報：自然科學版，2015，44（1）：81-87. （Li Li，Yin Ye，Cui Xiaojing. Fingerprint roll call system based on bionic pattern recognition of hypersphere coverage［J］. Journal of Shanghai Normal University：Natural Science Edition，2015，44（1）：81-87.）

［15］張鈴，張鈸. M-P神經元模型的幾何意義及其應用［J］. 軟件學報，1998，9（5）：334-338. （Zhang Ling，Zhang Ba. Geometric signi-ficance and application of M-P neuron model［J］. Journal of Software，1998，9（5）：334-338.）

［16］朱怡欣. 基于迭代自組織數據分析算法的城市地下物流節點選擇［J］. 智能計算機與應用，2021，11（11）：112-116. （Zhu Yixin. Urban underground logistics node selection based on iterative self-organizing data analysis algorithm［J］. Intelligent Computer and Application，2021，11（11）：112-116.）

［17］劉灝，朱世佳，畢天姝. 基于局部離群因子的PMU連續壞數據檢測方法［J］. 電力系統自動化，2022，46（1）：25-32. （Liu Hao，Zhu Shijia，Bi Tianshu. PMU continuous bad data detection method based on local outlier factor［J］. Power System Automation，2022，46（1）：25-32.）

［18］嚴晨，李凡長. 覆蓋學習的道路優化算法[J]. 軟件學報，2015，26（11）：2781-2794. （Yan Chen，Li Fanchang. Path optimization algorithms for corering learning[J]. Journal of Software，2015，26（11）：2781-2794.

［19］來疆亮，王守覺. 最小球覆蓋幾何算法及其在模式識別中的應用［J］. 模式識別與人工智能，2006，19（2）：271-276. （Lai Jiang-liang，Wang Shoujue. Minimal sphere covering geometry algorithm and its application in pattern recognition［J］. Pattern Recognition and Artificial Intelligence，2006，19（2）：271-276.）

［20］翟傳敏，杜吉祥. 一種基于覆蓋超球算法的徑向基概率神經網絡結構優化［J］. 福州大學學報：自然科學版，2009，37（1）：33-38. （Zhai Chuanmin，Du Jixiang. Structure optimization of radial basis probabilistic neural network based on covering hypersphere algorithm［J］. Journal of Fuzhou University：Natural Science Edition，2009，37（1）：33-38.）

［21］陳陽，覃鴻，李衛軍，等. 仿生模式識別技術研究與應用進展［J］. 智能系統學報，2016，11（1）：1-14. （Chen Yang，Qin Hong，Li Weijun，et al. Research and application progress of bionic pattern recognition technology［J］. Journal of Intelligent Systems，2016，11（1）：1-14.）

［22］武妍，姚瀟，王守覺. 基于重疊空間相對劃分的仿生模式識別方法［J］. 模式識別與人工智能，2008，21（3）：346-350. （Wu Yan，Yao Xiao，Wang Shoujue. Bionic pattern recognition method based on relative division of overlapping space［J］. Pattern Recognition and Artificial Intelligence，2008，21（3）：346-350.）

［23］齊留洋，王德勝，劉占全，等. 改進加權距離判別分析模型的邊坡爆破穩定性判別［J］. 中國有色金屬學報，2021，31（7）：1989-1996. （Qi Liuyang，Wang Desheng，Liu Zhanquan，et al. Identification of slope blasting stability based on improved weighted distance discriminant analysis model［J］. Chinese Journal of Nonferrous Metals，2021，31（7）：1989-1996.）

［24］邵長龍，孫統風，丁世飛. 基于信息熵加權的聚類集成算法［J］. 南京大學學報：自然科學版，2021，57（2）：189-196. （Shao Changlong，Sun Tongfeng，Ding Shifei. Clustering integration algorithm based on information entropy weighting［J］. Journal of Nanjing University：Natural Science Edition， 2021，57（2）：189-196.）

［25］王珂瑤，王惠文，趙青，等. 一種修正的馬氏距離判別法［J］. 北京航空航天大學學報，2022，48（5）：824-830. （Wang Keyao，Wang Huiwen，Zhao Qing，et al. A modified Mahalanobis distance discrimination method［J］. Journal of Beijing University of Aeronautics and Astronautics， 2022，48（5）：824-830.）

［26］林之岸，劉晟源，金偉超，等. 基于改進局部離群因子的低壓用戶用電隱患檢測方法［J］. 電力系統自動化，2022，46（1）：130-138. （Lin Zhi’an，Liu Shengyuan，Jin Weichao，et al. Detection method of hidden power consumption hazards of low-voltage users based on improved local outlier factor［J］. Power System Automation，2022，46（1）：130-138.）

［27］張婷，戴芳，郭文艷. 基于ISODATA聚類的詞匯樹圖像檢索算法［J］. 計算機科學，2014，41（S2）：123-127. （Zhang Ting，Dai Fang，Guo Wenyan. Vocabulary tree image retrieval algorithm based on ISODATA clustering［J］. Computer Science，2014，41（S2）：123-127.）

［28］曹鵬宇，楊承志，石禮盟，等. 基于PSO-DBSCAN和SCGAN的未知雷達信號處理方法［J］. 系統工程與電子技術，2022，44（4）：1158-1165. （Cao Pengyu，Yang Chengzhi，Shi Limeng，et al. Unknown radar signal processing method based on PSO-DBSCAN and SCGAN［J］. System Engineering and Electronic Technology，2022，44（4）：1158-1165.）

［29］肖易寒，王亮，郭玉霞. 基于去噪卷積神經網絡的雷達信號調制類型識別［J］. 電子與信息學報，2021，43（8）：2300-2307. （Xiao Yihan，Wang Liang，Guo Yuxia. Radar signal modulation type recognition based on de-noising convolution neural network［J］. Journal of Electronics and Information，2021，43（8）：2300-2307.）

［30］趙永強，饒元，董世鵬，等. 深度學習目標檢測方法綜述［J］. 中國圖象圖形學報，2020，25（4）：629-654. （Zhao Yongqiang，Rao Yuan，Dong Shipeng，et al. Overview of deep learning target detection methods［J］. Chinese Journal of Image and Graphics，2020，25（4）：629-654.）

收稿日期：2022-07-24；修回日期：2022-09-30 基金項目：裝備發展部領域基金資助項目；電磁應用重點實驗室基金資助項目

作者簡介：劉莉萍（1995-），女，四川德陽人，碩士研究生，主要研究方向為模式識別、人工智能；馮清賢（1981-），男，山東東營人，高級工程師，主要研究方向為電子對抗總體技術；余志斌（1976-），男（通信作者），湖南寧鄉人，副教授，博士，主要研究方向為信號處理、數據分析和電子對抗（zbyu@swjtu.edu.cn）.