基于高维特征选择的跳频电台细微特征识别

发布时间：2021-02-15 16:32

　　将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机（support vector machine,SVM）分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。 

【文章来源】：系统工程与电子技术. 2020,42(02)北大核心

【文章页数】：7 页

【部分图文】：

FH电台细微特征识别流程图

由式（8）可知，SU(X,Y）是I(X;Y）一种归一化表达形式，补偿了I(X;Y）在选取特征时的偏差。当SU(X,Y)=1时，表示特征向量X与特征向量Y完全相关，即用X可以预测Y；当SU(X,Y)=0时，表示特征向量X与特征向量Y相互独立。FCBF算法的核心是首先通过计算特征向量与类向量的相关性（记为SUX,C），通过与预设的去相关阈值比较，去除特征集中不相关特征，得到相关特征子集；然后计算相关特征子集中特征向量之间的相关性（记为SUX,Y），通过比较该特征的SUX,C，去除冗余特征。假设特征向量Fi和Fj，其中SUi,c>SUj,c>t,t为去相关阈值，当SUi,j>SUj,c时，Fj将被作为冗余特征去除；当SUX,C的值越大，该特征与类向量相关性越强，该特征越重要；但当SUX,C值过大时，容易导致FCBF算法去除更多的相互依赖的特征。因此需要改进I(X;Y）归一化表达式，增强FCBF算法在SUX,C较大时的特征依赖性，在SUX,C较小时的特征独立性。由式（1）和Jensen不等式可知

为了方便分类效果的可视化，从FCBF选择的特征集{f3,f4,f6,f7}中选取三维特征{f4,f6,f7}及本文算法选出的{f4,f5,f7}作为最优特征集。4部FH电台的分类效果如图3所示。由图3可知，在分别经过FCBF和本文算法降维后，图3(b）的类间散度大于图3(a）的类间散度，说明本文特征选择算法减少了特征集中较大程度的冗余，使得选择出来的最优特征集的聚类效果相对更好，分类结果更明显。

【参考文献】：
期刊论文
[1]基于聚类的跳频信号分选[J]. 王斌,陈秋华,王翠柏.  北京邮电大学学报. 2009(02)
[2]基于功放瞬态响应的跳频电台分选方法[J]. 骆振兴,赵知劲.  杭州电子科技大学学报. 2009(01)



本文编号：3035176