下载文档原格式
一种基于MFCC特征的水下目标分类网络作者：徐晓刚罗昕炜来源：《声学与电子工程》2022年第01期摘要水声目标辐射噪声特征提取和识别技术是水声目标识别的重要任务，也是水声信号处理领域的难题。
鉴于梅尔滤波器中提取的听觉特征在语音识别中的广泛应用，文章基于梅尔倒谱系数（Mel Frequency Cepstrum Coefficient ，MFCC）和卷积神经网络（Convolutional Neural Network ，CNN）构建了一个水声信号深度分类网络。
该分类网络通过MFCC特征提取方法逐帧提取舰船辐射噪声信号的梅尔倒谱系数，将其构建特征矩阵输入CNN中进行分类，构建了一个4类舰船辐射噪声样本集，并利用所提出的网络考察了不同维度下MFCC和I LOFAR 特征的分类性能，分析了不同类型特征和不同特征维度输入对网络分类性能的影响，可为水声分类研究相关人员提供参考。
关键词水声信号：梅尔系数；目标分类；CNN；时频分析水下目标的分类识别是水声领域研究的热点问题，对于现代海洋装备目标探测尤为关键，特征向量提取的方法是水声目标分类识别的研究重点。
文献[1]提出了一种基于小波包变换的水下目标辐射噪声特征提取算法，文献[2]提出了一种基于双谱估计的水下目标辐射噪声特征提取算法，文献[3]提出了一种基于波数谱模态能量差特征的目标分类方法。
由于声呐识别不同水下辐射噪声源的原理与人耳语音识别的机理类似，因此，基于听觉特征的水下声目标特征提取方法是研究热点之一，其中提取梅尔倒谱系数进行水下声目标识别是常用的方法之一。
文献[4]介绍了差分梅尔频率倒谱系数的概念和相应的特征提取方法，对水下目标进行了基于MFCC特征提取方法仿真研究和实验分析；文献[5]将MFCC特征应用于船舶和鲸类水下声信号的特征提取中，提取了船舶和鯨类声信号的MFCC特征，通过高斯混合模型对提取的MFCC特征进行训练和识别分类，讨论MFCC维数变化和不同MFCC特征组合对识别分类性能的影响：文献[6-8]也进行了MFCC特征提取相关方面的研究工作，并取得了一定的研究成果。
基于新的MRSVM说话人辨识方法刘雪燕;夏汉铸;袁宝玲【摘要】提出一个新的基于MRSVM的说话人辨识方法,首先对语音特征矢量进行LDA降维,得到具有区分力的特征矢量,然后对其进行模糊核聚类,根据样本选择算法,选择聚类边界的特征矢量作为支持向量训练支持向量机,在不影响识别率的情况下,大大减少了支持向量杌的存储量和训练量.实验表明该方法具有较好的总体效果.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)005【总页数】4页(P136-139)【关键词】多约简支持向量机;模糊核聚类;说话人辨识;LDA变换【作者】刘雪燕;夏汉铸;袁宝玲【作者单位】中山火炬职业技术学院,信息工程系,广东,中山,528436;中山火炬职业技术学院,信息工程系,广东,中山,528436;中山火炬职业技术学院,信息工程系,广东,中山,528436【正文语种】中文【中图分类】TP391.41 引言支持向量机（Support Vector Machine，SVM）[1]是一个基于结构风险的统计学习方法，具有很好的泛化和分类能力。
在手写/文字识别、文本分类和人脸识别等模式识别领域中取到了成功的应用。
在说话人识别中也逐渐得到应用[2-3]，并取得了很好的效果。
但是在说话人中提取了较多的语音特征矢量，如果按标准SVM的训练方法，会消耗大量的时间和存储量。
为了减少标准SVM的计算量，许多学者提出了算法，如文献[4]提出用无监督聚类的聚类中心作为支持向量，文献[5]提出密度聚类的选择支持向量方法，文献[6]从统计理论方面提出了约简方法，文献[7]提出了约简支持向量机（Reduced Support Vector Machines，RSVM），用较少的样本代替整个样本集训练支持SVM等等，文献[8]将RSVM的概念首次应用在说话人识别中，对提取的语音特征矢量用K-均值聚类，并选择离质心较远的特征矢量作为支持向量，在没有使识别率降低太多的情况下，减少了SVM的训练量。
水下声呐信号处理及目标识别研究水下声呐技术的应用范围十分广泛，包括：水下探测、矿产开采、海底地形勘测、海洋生物探测、海军军事应用等等。
其中，水下目标探测和识别是水下声呐技术的重要应用之一。
本文将着重探讨水下声呐信号处理及目标识别的相关研究。
一、水下声呐信号处理水下声呐信号处理是指对声波信号进行分析、降噪、滤波等处理，以提高信号的可识别性和探测性，为水下目标识别提供基础数据。
水下声呐信号处理主要包括：信号采集、信号预处理、信号分析和信号降噪等方面。
1. 信号采集声呐信号采集是声呐系统中的第一步，其目的是获取目标传回的声波信号。
通常情况下，声呐系统由发射器和接收器两部分构成。
发射器会向周围环境发出声波信号，信号被周围环境反射后，就会被接收器捕捉。
是对声波信号进行采集的过程。
2. 信号预处理信号预处理是为了去除杂音和干扰信号，从而提高信号的质量和清晰度。
该过程中常用的技术包括滤波、去噪、增益等方法。
其中，滤波常用于去除信号中的高频噪声，去噪就是降低信号中的低频噪声的过程，而增益用于增强信号的可读性和能量。
3. 信号分析信号分析是指对信号进行参数提取以及信号的频谱、时域等特征分析。
通过对信号的分析，可以更好地了解声波传播的特性、声源和水下目标的特征等。
4. 信号降噪信号降噪是针对信号中噪声的处理，目的是去除干扰信号，提高信号的准确性和可读性。
降噪处理一般包括自适应滤波、小波去噪、频域滤波等方法。
其中，小波去噪的效果较好，可以较好地去除信号中的噪音。
二、水下目标识别水下目标识别是指通过声呐信号处理技术，将确定的信号特征与目标数据库中的特征进行匹配，对水下目标进行分类和识别。
下面将着重介绍基于声波信号的水下目标识别方法。
1. 基于模式识别的目标识别方法该方法基于目标的特征，通过比较目标的特征与数据库中已有的目标特征，最终实现目标的分类和识别。
目标的特征常包括目标的形态、声回波、饰品等因素。
常用的模式识别算法包括KNN算法、SVM算法、神经网络算法等。
基于Matlab神经网络的水下目标识别
胡红波;邱继进;马爱民
【期刊名称】《指挥控制与仿真》
【年(卷),期】2005(027)005
【摘要】为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了目标像素灰度分布特征提取方法,并针对水下光信号衰减的情况,采用了色彩"补偿"的解决方案.对图像矩阵通过奇异值分解得到了目标有效维特征向量,分类器设计采用了Matlab环境下的BP神经网络,识别结果是令人满意的.这对猎雷具装备的发展具有一定的参考价值.
【总页数】3页(P52-54)
【作者】胡红波;邱继进;马爱民
【作者单位】海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018
【正文语种】中文
【中图分类】O235
【相关文献】
1.基于PCA和BP神经网络的水下目标识别方法研究 [J], 袁骏;张明敏;孙进才
2.基于小波变换和概率神经网络的水下目标识别 [J], 石敏;徐袭;岳剑平
3.基于对角切片谱的小波神经网络水下目标识别 [J], 顾江建;王海燕;申晓红;高婧洁
4.基于多传感器模糊神经网络的水下目标识别 [J], 刘勇志;刘丙杰
5.一种水下目标识别方法──基于模糊理论的多种神经网络融合分类 [J], 苏彤;林钧清;顾国昌
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度神经网络的水下目标识别技术研究作者：田禹田文峰苏宇辰于新伟王云飞来源：《科技资讯》2023年第17期关键词：深度神经网络水下目标识别舰船辐射噪声 DEMON谱中图分类号： TP391.4 文献标识码： A 文章编号： 1672-3791（2023）17-0013-04水下目标的分类识别是利用声学或光学手段，对水下物体进行分类或识别，对国防建设和海洋资源开发有重要意义。
舰艇辐射噪声是水下目标分类识别的主要信息来源[1]，其包括多种噪声源，由宽带连续谱和一系列线谱构成。
如何从辐射噪声中获取目标特征信息并进行分类识别，是水下目标分类识别领域的主要研究方向。
传统的水下目标分类识别是由人的听觉完成的，存在很大的局限性，不适应现代信息化的水下作业场景。
深度学习（Deep Learning）在计算机视觉、语音识别、自然语言处理等领域取得巨大成功，在很多方面接近或超过了人的智能水平。
在这种技术浪潮下，声呐研究人员也将深度学习技术引入水下目标识别领域，取得了丰富的研究成果。
葛召华等人利用Wigner 高阶谱方法提取水下信号的谱特征，用最小二乘支持向量机进行目标识别[2]。
王升贵等人通过短时傅里叶变换得到LOFAR 谱图，使用深度卷积神经网络进行分类识别[3]。
付同强等人使用迁移学习方法进行水下目标识别[4]。
李琛等人利用多通道级联特征的深度神经网络解决低信噪比条件下的水下目标识别问题[5]。
张牧行等人提出一种水下目标识别的最大信息系数特征选择方法，可以使用更少的特征，提升分类正确率[6]。
此外，吴晏辰等人基于MFCC 和GFCC 特征构建卷积神经网络和残差神经网络，建立小样本下的水下目标识别系统[7]。
陈凯峰等人设计了基于FPGA 和CNN 的水下目标识别系统[8]。
本文在前人研究基础上，对水下目标辐射噪声进行建模，生成虚拟样本，辅助真实样本对网络进行训练。
分析了水下目标辐射噪声DEMON 谱特征提取方法，生成DEMON 谱样本。
基于VQ-MAP与LS-SVM融合的说话人识别系统
展领;景新幸
【期刊名称】《电子技术应用》
【年(卷),期】2010(000)006
【摘要】传统的最小二乘支持向量机(LS-SVM)使用特征向量作为训练样本,在说话人识别系统中应用时区分性不够明显.对此,提出VQ-MAP与LS-SVM融合的方法,使用通用背景模型(UBM)经过VQ-MAP过程得到说话人自适应参数集,把此参数集作为最小二乘支持向量机的训练样本应用于说话人识别系统中.用Matlab进行仿真实验,结果表明,该识别系统SVM训练时间短,且具有较高的识别率.
【总页数】3页(P152-154)
【作者】展领;景新幸
【作者单位】桂林电子科技大学信息与通信学院,广西,桂林,541004;桂林电子科技大学信息与通信学院,广西,桂林,541004
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于自适应高斯混合模型与静动态听觉特征融合的说话人识别 [J], 吴迪;曹洁;王进花
2.基于VQ-MAP和SVM融合的说话人识别系统 [J], 展领;景新幸
3.多子系统似然度评分融合说话人识别 [J], 李恒杰
4.基于耳蜗倒谱系数和Teager能量算子相位融合的说话人识别系统 [J], 茅正冲;
王俊俊
5.基于深度学习及核典型相关分析的多特征融合说话人识别∗ [J], 卜禹; 陆璐璐因版权原因，仅展示原文概要，查看原文内容请购买。
水声探测中的目标识别技术研究在海洋探索和军事应用等众多领域中，水声探测中的目标识别技术一直占据着至关重要的地位。
它就像是我们在茫茫大海中的“眼睛”，帮助我们在复杂的水下环境中准确地发现和识别各种目标。
水声探测，简单来说，就是利用声波在水中传播的特性来获取信息。
而目标识别技术则是从接收到的水声信号中提取有价值的特征，并根据这些特征来判断目标的类型、位置、速度等关键信息。
要理解水声探测中的目标识别技术，首先得清楚水下环境的复杂性。
水对声波的吸收、散射以及各种海洋噪声的干扰，都给目标识别带来了巨大的挑战。
与在空气中传播的声波相比，水中的声波传播速度更快，衰减也更严重。
这意味着我们接收到的声波信号可能已经严重变形，从而增加了识别的难度。
在目标识别的过程中，特征提取是一个关键的环节。
常见的特征包括目标的声学特征，如回波的幅度、频率、相位等。
这些特征就像是目标的“指纹”，能够帮助我们区分不同类型的目标。
例如，潜艇和鱼类的回波特征就有明显的差异。
潜艇通常具有较大的体积和规则的形状，其回波会比较强且稳定；而鱼类的体型较小且形状不规则，回波相对较弱且多变。
除了声学特征，目标的运动特征也是重要的识别依据。
通过分析目标的速度、加速度、运动轨迹等信息，可以进一步提高识别的准确性。
比如说，一艘匀速直线行驶的船只和一艘频繁改变航向的船只，它们的运动特征就有很大的不同。
在实际应用中，多传感器融合技术逐渐成为一种趋势。
单一的传感器可能存在局限性，而将多个不同类型的传感器（如声纳、磁力计、压力传感器等）获取的信息进行融合，可以提供更全面、更准确的目标信息。
就好像我们通过多个角度观察一个物体，能够更清晰地了解它的全貌。
另外，模式识别算法在目标识别中也发挥着重要作用。
常见的算法有基于统计的方法、基于神经网络的方法等。
基于统计的方法通过对大量样本数据的统计分析，建立目标的特征模型；而神经网络方法则通过模拟人脑的神经元网络，具有很强的学习和自适应能力。
基于声信号人耳听觉谱特征和SVME的水下目标识别杨宏晖1彭圆2曾向阳1摘要利用人耳听觉谱特征模拟人耳听觉系统的特性，提取了水下目标信号的人耳听觉谱特征，设计了基于支持向量机自适应增强集成算法用于水下目标的分类识别算法。
仿真实验证明，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。
关键词人耳听觉谱特征水下目标识别支持向量机集成1 引言长期以来，为了提高水下目标识别的正确率,国内外研究人员从不同的角度对水下目标辐射噪声原始信号进行了分析和研究,提取了各种水下目标特征。
提取的水下目标特征主要有以下几类：时域波形特征[1]、频域分析特征[2-3]、时频分析特征[4]、非线性特征[5]和听觉特征[6-7]。
这些特征各有特点：时域波形特征的主要特点是方法简单、实时性好。
但水下目标信号时域波形结构复杂，难以提取具有高分类信息的波形结构特征[1]。
频域分析特征的特点是技术成熟、方法简单,而且谱信息中包含明确的物理概念，但适合处理线性、平稳信号[2-3]。
时频分析方法提取的特征可以更好地反映目标的时域和频域特征。
但小波分析算法较为复杂，存储量、运算量大，计算速度慢，实时性差。
而且小波分析适合处理非平稳信号，处理非线性信号能力较弱[4]。
我国学者的研究表明:舰船噪声有混沌现象，舰船噪声极限环有混沌行为，舰船辐射噪声的非线性表明同类目标具有相似性，不同类目标具有可分性[5]。
但是在实际的随机噪声中，不存在严格的分形信号，大多数水声信号只是在某种尺度范围内具有分形特征。
因此，分形与混沌方法仅是识别特征的补充。
众所周知，依靠人耳极其灵敏的听觉系统和长期在实践中积累的经验来判断水下目标类型仍然是水下目标识别的重要途径之一。
目前模拟人耳听觉系统进行水下目标识别的研究报道很少。
国内外研究人员提取了水下目标辐射噪声信号的听觉特征、语音特征及心理声学参数特征[6-7]。
利用这些特征可以识别目标的类型，甚至可以识别目标的材质。
这类特征的主要特点是适于处理非线性的水声信号，而且原理简单，计算快速，具有较好的实时性。
但这方面的研究工作还有待于进一步的深入。
本文提出了根据人耳听觉模型提取水下目标信号的人耳听觉谱特征的方法；并提出了支持向量机自适应增强集成算法用于水下目标的分类识别。
仿真实验结果表明，本文提出的水下目标信号听觉谱特征提取方法简单有效，运算速度快，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。
2 人耳听觉感知模型人耳可以听到频率在20Hz～20KHz范围内的声音。
人耳听觉系统是一个音频信号处理器，可以完成对声信号的传输、转换以及综合处理的功能，最终达到感知和识别目标的目的。
人耳听觉系统有两个重要的特性[8]，一个是耳蜗对于声信号的分频特性；另一个是人耳听觉掩蔽效应。
耳蜗的分频特性当声音经外耳传入中耳时，镫骨的运动引起耳蜗内流体压强的变化，从而引起行波沿基底膜的传播。
不同频率的声音产生不同的行波，其峰值出现在基底膜的不同位置上。
频率较低时，基底膜振动的幅度峰值出现在基底膜的顶部附近；相反，频率较高时，基底膜振动的幅度峰值出现在基底膜的基部附近（靠近镫骨）。
如果信号是一个多频率信号，则产生的行波将沿着基底膜在不同的位置产生最大幅度。
在每一声音频率上，随着强度的增加，基底膜运动的幅度增大，并且带动更宽的部分振动。
从这个意义上讲，耳蜗就像一个频谱分析仪，基底膜可以看成是一组频带重叠的非线性带通滤波器，这组带通滤波器将整个频带划分为若干个不等宽频带，称为临界频带。
耳蜗的分频能力，可以用一组带通滤波器来实现。
人耳听觉掩蔽效应人耳听觉掩蔽效应是一个较为复杂的心理和生理现象，人耳不仅在频域上有掩蔽效应，在时域上也有掩蔽效应。
人耳对声音的感觉主要是由于声音引起基底膜不同部位的振动，所以一个较大声音引起一个位置产生较大振动的同时，会使其前后位置产生相应小的振动。
如果另一个声音的频率对应于该位置且强度较弱，则该声音听不到，这就是声音的频域掩蔽。
时域掩蔽效应是一个声音的人耳听觉感受被另一个声音（同时或不同时进入人耳）影响的现象。
掩蔽效应是听觉系统的一个重要特性，它表明了人的听觉系统对频率和时间分辨力的有限性。
为了描写这种掩蔽的效果，Zwicker等引入了临界带宽的概念。
一个纯音可以被以它为中心频率，且具有一定频率带宽的连续噪声所掩蔽，如果在这一频带内噪声功率等于该纯音的功率，这时该纯音处于刚能被听到的临界状态，即称这一带宽为临界带宽。
一个临界带宽可以用巴克(Bark)来表示。
在20Hz-16KHz范围内的声音信号可以分为24个Bark。
临界频带与频率是非线性关系。
3 听觉谱特征提取根据生理声学和心理声学以及语音信号处理的研究成果，我们提出一个基于人耳听觉感知模型的声音信号听觉谱特征提取算法用于水下目标识别，听觉谱特征具体提取过程如图1所示。
图1 听觉谱特征提取原理图这个人耳听觉感知模型也应用于语音信号处理的感知线性预测算法 [9]。
文献[7]研究了感知线性预测算法在水下目标识别中的应用。
感知线性预测算法将经过图1所示步骤得到的听觉谱信号再进行IDFT 变换得到信号短时自相关函数，接着用全极点模型来逼近信号短时自相关函数（线性预测分析），特征向量是全极点模型预测多项式的一组系数。
本文提出的基于听觉模型的听觉谱特征提取算法利用人耳听觉感知模型直接计算声信号的听觉谱，用于描述水下目标，具有原理更加简单，计算量小，计算速度更快的特点，更易满足识别任务对时间的要求。
具体实现过程如下：（1）对水下目标信号进行短时傅立叶变换，计算其功率谱()ωP；（2）临界频带分析首先将()ωP进行频域到Bark域的转()6(/1200InΩωωπ= (1) 其中，ω是以/rad s为单位的角频率；Ω是以Bark为单位的Bark域频率。
然后将Bark域的功率谱()ΩP与临界频带滤波器组曲线()ΩΨ相卷，临界频带滤波器组曲线如式（2）所示。
2.5(0.5)1.0(0.5)0 1.310 1.30.5()10.50.5100.5 2.50 2.5ΩΩΩΩΩΩΩΩ+--<-⎧⎪-≤≤-⎪⎪=-<<⎨⎪≤≤⎪>⎪⎩Ψ (2)功率谱()ΩP与临界频带滤波器组曲线()ΩΨ离散卷积即可得到临界带听觉谱()kΘΩ：2.51.3()()(),1,2,,24k kkΩΩΩΩΩΩ==-=-=∑ΘPΨ(3)（3）等响度级预处理心理声学研究成果表明，在声强一定的情况下，人耳对不同频率声音敏感程度不同，人耳对中高频较为敏感，对3KHz到5KHz声音最敏感，所以要对临界频带分析所得到的谱进行等响度级变换。
经过变换后的响度级谱为：()()()k k kΩωΘΩ=ΓE (4)kΩ和kω的关系可由式(1)得到，等响度级预处理曲线如式（5）所示。
26426229626(56.810)/( 6.310)()(0.3810)(9.5810)ωωωωωω+⨯+⨯=+⨯+⨯E (5)等响度级预处理以后的临界频带滤波器组频率响应如图2所示。
（4）等响度转换经过以上处理后得到的谱为响度级谱。
但响度级并不是响度，响度级与响度之间的关系是非线性的，为了模仿这一关系，也为了压缩谱的幅度，进行如式（6）所示的转换。
13()()ΩΩ=ΦΓ (6)经过这次处理后，可得到信号的24维听觉谱特征。
4 自适应增强SVME 算法由于在水下目标识别问题中，样本获取难度大，样本往往是有限的，因此一些基于传统统计学的学习方法在对水下目标识别中的识别性能不尽人意。
与传统统计学相比，统计学习理论可以很好的解决有限样本学习问题。
支持向量机(Support Vector Machine ，SVM)就是在这一理论基础上发展的一种新的通用学习机，已经在人脸检测、手写数字识别、以及数据挖掘等领域成功应用。
然而，支持向量机在实际应用中仍然有以下不足之处。
首先，支持向量机的基本原理是解决两类识别问题的，多类识别问题是通过支持向量机组合方法来解决，然而分类性能没有提高。
而且SVM 在学习过程中因为时间和空间运算的高度复杂度，在运算过程中采取了近似计算。
因此，有时候SVM 对实测数据的分类结果与理论期望值有很大的差距。
支持向量机集成(Support Vector Machine Ensemble ，SVME)可以显著提高SVM 分类器的分类性能[10]。
针对小样本、M 类水下目标识别问题，本文设计了支持向量机分类器自适应增强集成算法，算法如下。
输入：训练样本集：(){}{},,-1,1,1,2,,di i i i y y i n =∈∈=X x x01(),1,2,i i n n==w （训练样本的初始加权系数）输出：f fin （分类器集成） For T t ,,2,1 =按照概率()t i p 从X 中抽取n 个样本构成新的训练样本集t X ，每个样本被抽中概率()t i p 的计算公式是：1()()()t n t t i i i =∑w p w根据t X 确定个体SVM 分类器核函数参数用t X 训练SVM 得到分类器f ()t t X ，计算f ()t t X 的加权分类错误率：1()nt i i ε==∑e ，当f (())t it i y ≠X 时，()()t i i =e w ；当f (())t i t i y =X 时，()0i =e 。
如果05t .ε≥或1t ε=，结束循环；计算下一轮循环的样本加权权值：如果f (())t t i i y =X ，则1()()t t t i i ξ+=⨯w w ，式中(1)t t t /ξεε=-；如果f (())t t i i y ≠X ，则1()()t t i i +=w w ; 并进行归一化1111()()()t nt t i i i i +++==∑w w wEndReturn 12f ,f ,,f ,,f t T （个体分类器集）1,2,,:f()1f arg maxlogfin j M t x jtξ===∑（输出分类器集成）算法在每次循环用不同的训练样本集训练一个个体分类器。
训练个体分类器的训练样本集是用随机遍历抽样法，根据样本加权权值对原训练样本集进行重抽样构成，样本的加权权值越大，被抽中的可能性越大。
由于在上一次循环中，赋予被错误分类的样本较大的加权权值，赋予被正确分类的样本较小的加权权值。
因此，在每一次循环过程中，难分样本被抽取的可能性大。
这使得在循环递进过程中，个体分类器的分类重点自适应地放在分类效果差的样本上，个体分类器分类性能逐渐增强。
最后用加权多数投票法集成个体分类器。
SVM分类器自适应增强集成算法训练个体分类器的训练样本集不同，个体分类器核函数参数不同，使得个体分类器之间具有很大的差异性，个体分类器的差异性增强了分类器集成算法的宽容能力。
