將高維特征用于跳頻電臺細微特征個體識別具有很大優(yōu)勢,為了增強對跳頻電臺的分類識別能力,需要增加特征類型和維數(shù),提高特征集的表征能力,但同時會引入大量冗余特征,導(dǎo)致分類器計算時間過長,分類正確率降低。為了降低高維特征集維數(shù),首先采用相關(guān)性快速過濾特征選擇算法,刪除高維特征集中的不相關(guān)冗余特征,得到最優(yōu)特征集。然后利用經(jīng)過參數(shù)優(yōu)化的支持向量機（support vector machine,SVM）分類器進行訓(xùn)練分類。實驗表明,所提算法能夠?qū)Ω呔S特征集進行合理的降維,提高了SVM的分類器的分類性能,在保證分類正確率的基礎(chǔ)上,降低了運算量,提高了跳頻電臺細微特征識別的時效性。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2020,42(02)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

FH電臺細微特征識別流程圖

由式（8）可知，SU(X,Y）是I(X;Y）一種歸一化表達形式，補償了I(X;Y）在選取特征時的偏差。當(dāng)SU(X,Y)=1時，表示特征向量X與特征向量Y完全相關(guān)，即用X可以預(yù)測Y；當(dāng)SU(X,Y)=0時，表示特征向量X與特征向量Y相互獨立。FCBF算法的核心是首先通過計算特征向量與類向量的相關(guān)性（記為SUX,C），通過與預(yù)設(shè)的去相關(guān)閾值比較，去除特征集中不相關(guān)特征，得到相關(guān)特征子集；然后計算相關(guān)特征子集中特征向量之間的相關(guān)性（記為SUX,Y），通過比較該特征的SUX,C，去除冗余特征。假設(shè)特征向量Fi和Fj，其中SUi,c>SUj,c>t,t為去相關(guān)閾值，當(dāng)SUi,j>SUj,c時，F(xiàn)j將被作為冗余特征去除；當(dāng)SUX,C的值越大，該特征與類向量相關(guān)性越強，該特征越重要；但當(dāng)SUX,C值過大時，容易導(dǎo)致FCBF算法去除更多的相互依賴的特征。因此需要改進I(X;Y）歸一化表達式，增強FCBF算法在SUX,C較大時的特征依賴性，在SUX,C較小時的特征獨立性。由式（1）和Jensen不等式可知

為了方便分類效果的可視化，從FCBF選擇的特征集{f3,f4,f6,f7}中選取三維特征{f4,f6,f7}及本文算法選出的{f4,f5,f7}作為最優(yōu)特征集。4部FH電臺的分類效果如圖3所示。由圖3可知，在分別經(jīng)過FCBF和本文算法降維后，圖3(b）的類間散度大于圖3(a）的類間散度，說明本文特征選擇算法減少了特征集中較大程度的冗余，使得選擇出來的最優(yōu)特征集的聚類效果相對更好，分類結(jié)果更明顯。

【參考文獻】：
期刊論文
[1]基于聚類的跳頻信號分選[J]. 王斌,陳秋華,王翠柏.  北京郵電大學(xué)學(xué)報. 2009(02)
[2]基于功放瞬態(tài)響應(yīng)的跳頻電臺分選方法[J]. 駱振興,趙知勁.  杭州電子科技大學(xué)學(xué)報. 2009(01)



本文編號：3035176