發(fā)布時(shí)間：2024-10-02 22:58

　　 由于未經(jīng)選擇的特征集合中包含的無(wú)關(guān)特征和冗余特征會(huì)導(dǎo)致識(shí)別性能和識(shí)別效率的下降,特征選擇是識(shí)別任務(wù)中的重要步驟。然而,基于輻射噪聲識(shí)別水下目標(biāo)時(shí),由于目標(biāo)的多樣性和水聲信道的復(fù)雜性,提取的聲學(xué)特征之間存在多種線性相關(guān)之外的復(fù)雜關(guān)系。針對(duì)此問(wèn)題,以歸一化最大信息系數(shù)度量特征與類別之間的相關(guān)度以及特征之間的冗余度,提出了基于歸一化最大信息系數(shù)的特征選擇方法(NMIC-FS),并在實(shí)測(cè)數(shù)據(jù)集上以隨機(jī)森林和支持向量機(jī)等模型估計(jì)的平均分類精度評(píng)估其性能。水下目標(biāo)數(shù)據(jù)分析結(jié)果表明,與未選擇前相比,NMIC-FS所得特征子集性能在更短的分類時(shí)間得到更高的分類正確率。與相關(guān)特征選擇法、拉普拉斯分?jǐn)?shù)法和套索法等方法相比,NMIC-FS在特征選擇過(guò)程中能更迅速地提升分類正確率,可用更少的特征得到與使用特征全集時(shí)相當(dāng)?shù)姆诸愓�確率。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖14種方法最佳特征滾裝船和摩托艇樣本空間分布圖

為了比較LS、CFS、LASSO和NMIC-FS的特征選擇效果,由各方法得到的最佳二維特征構(gòu)成樣本空間,并以可視化方式觀察樣本的空間分布,如圖1所示。圖中特征1和特征2分別表示各方法所得的第1最佳特征和第2最佳特征,2類樣本分別來(lái)自于滾裝船和摩托艇。由2類樣本的空間分布可看到,N....

圖2基于SVM分類性能的特征選擇過(guò)程

圖2展示了以SVM為分類模型時(shí)4種方法的特征選擇過(guò)程。由分類正確率的變化趨勢(shì)可以看到,當(dāng)特征子集規(guī)模逐漸增加時(shí),NMIC-FS能夠以最快的速度提升分類正確率。當(dāng)特征子集規(guī)模為19時(shí),其平均分類正確率為78.0%,與使用全部特征能夠獲得的分類正確率相當(dāng)。當(dāng)特征子集規(guī)模達(dá)到26時(shí),平....

圖3基于RF分類性能的特征選擇過(guò)程

圖3中展示了以RF為分類模型時(shí)4種方法的特征選擇過(guò)程。NMIC-FS可在特征子集規(guī)模為11時(shí)達(dá)到與使用全部特征時(shí)相當(dāng)?shù)姆诸愓�確率79%。此外,在特征子集規(guī)模為30時(shí)達(dá)到最高分類正確率82.4%。同CFS、LASSO、LS相比,在特征子集規(guī)模相同的情況下,NMIC-FS的特征子集可....

本文編號(hào)：4006458