基于GA-KPCA的特征选择在水下目标识别中的应用

发布时间：2024-05-30 20:20

　　水下辐射声场和水声信道的复杂性使得声呐接收的噪声信号相互耦合、调制畸变,具有很强的非线性。文中利用核函数将原始特征空间的非线性数据映射至高维特征空间,在高维特征空间进行主元分析(PCA)法提取特征,并采用遗传算法(GA)对核参数进行优化,形成了基于GA-核主元分析(KPCA)的水下目标特征选择方法。实际样本数据验证结果表明,该方法在一定程度上弥补了传统线性PCA方法处理非线性数据的不足,能够获得更高的识别正确率。

【文章页数】：5 页

【部分图文】：

图2遗传算法-核主元分析算法流程Fig.2Flowchartofgeneticalgorithm(GA)-kernelprincipalcomponentanalysis(KPCA)

惴ǖ玫降睦?计方差贡献率95%m≥时的特征值的个数mk作为个体适应度值。5)基因选择:由式(4)得出个体适应度值,采用轮盘赌法进行基因选择,第m个体被选中的概率mp表示为Nmmmjmpkk,N为种群数目。6)交叉操作:选中2个个体并对其染色体上的第j位进行交叉操作。7)变异操作:....

图3核参数值进化过程Fig.3Evolutionprocessofkernelparameter

2020年2月水下无人系统学报第28卷116JournalofUnmannedUnderseaSystemswww.yljszz.cn2试验结果与分析对南海某水域试验实测而得的166段水下目标辐射噪声信号进行筛癣标记和MFCC特征提取,得到120组16维的原始特征数据集16120....

图4GA-KPCA与主元分析的主元方差贡献率Fig.4Contributionratesofprincipalcomponent

2020年2月水下无人系统学报第28卷116JournalofUnmannedUnderseaSystemswww.yljszz.cn2试验结果与分析对南海某水域试验实测而得的166段水下目标辐射噪声信号进行筛癣标记和MFCC特征提取,得到120组16维的原始特征数据集16120....

本文编号：3984752