基于GA-KPCA的特征選擇在水下目標(biāo)識別中的應(yīng)用

嚴(yán)良濤, 項(xiàng)曉麗

基于GA-KPCA的特征選擇在水下目標(biāo)識別中的應(yīng)用

嚴(yán)良濤1, 項(xiàng)曉麗2

(1. 中國人民解放軍91388部隊(duì), 廣東 湛江, 524022; 2. 廣州杰賽科技股份有限公司, 廣東 廣州, 510220)

水下輻射聲場和水聲信道的復(fù)雜性使得聲吶接收的噪聲信號相互耦合、調(diào)制畸變, 具有很強(qiáng)的非線性。文中利用核函數(shù)將原始特征空間的非線性數(shù)據(jù)映射至高維特征空間, 在高維特征空間進(jìn)行主元分析(PCA)法提取特征, 并采用遺傳算法(GA)對核參數(shù)進(jìn)行優(yōu)化, 形成了基于GA-核主元分析(KPCA)的水下目標(biāo)特征選擇方法。實(shí)際樣本數(shù)據(jù)驗(yàn)證結(jié)果表明, 該方法在一定程度上彌補(bǔ)了傳統(tǒng)線性PCA方法處理非線性數(shù)據(jù)的不足, 能夠獲得更高的識別正確率。

水下目標(biāo)識別; 遺傳算法; 核主元分析法; 核函數(shù)

0 引言

水下目標(biāo)識別是水聲技術(shù)領(lǐng)域亟待解決的技術(shù)難題之一。水聲目標(biāo)作為復(fù)雜的輻射源, 其噪聲由主機(jī)、輔機(jī)和各種機(jī)泵噪聲耦合構(gòu)成, 同時(shí)螺旋槳也會對輻射噪聲產(chǎn)生調(diào)制作用; 水聲信道是緩慢時(shí)變、空變的非線性系統(tǒng), 會使輻射噪聲頻率之間產(chǎn)生各種耦合。上述因素使得聲吶接收的噪聲信號相互耦合、調(diào)制甚至畸變, 具有很強(qiáng)的非線性。因此, 水下輻射聲場和水聲信道的復(fù)雜性是水下目標(biāo)識別的關(guān)鍵因素。

目標(biāo)噪聲信號的特征提取是目標(biāo)識別器的關(guān)鍵技術(shù), 為此學(xué)者們提出了多種特征提取方法[1-4], 試圖從不同角度獲得噪聲信號的特征。為保證識別的正確率應(yīng)將多種特征加以組合, 但會帶來數(shù)據(jù)維數(shù)過高, 識別速率下降的問題。主元分析(principal components analysis, PCA)是一種可有效對高維數(shù)據(jù)進(jìn)行降維的工具, 但傳統(tǒng)線性PCA特征提取方法未考慮目標(biāo)噪聲信號的強(qiáng)非線性特點(diǎn)[5]。根據(jù)模式識別理論, 在低維空間的非線性不可分?jǐn)?shù)據(jù)映射至相應(yīng)的高維空間后, 可實(shí)現(xiàn)在該空間的線性可分?；诖? 文中將核技巧引入目標(biāo)噪聲信號處理中, 利用核函數(shù)(kernel)將原始空間的非線性特征數(shù)據(jù)映射至高維特征空間, 并在高維特征空間進(jìn)行PCA提取特征, 同時(shí)采用遺傳算法[6](genetic algorithm, GA)對核參數(shù)進(jìn)行優(yōu)化, 形成了基于遺傳算法-核主元分析(kernel principal component analysis,)的水下目標(biāo)特征提取方法。該方法可有效彌補(bǔ)傳統(tǒng)線性PCA特征提取方法處理非線性數(shù)據(jù)的不足, 獲得更好的識別效果。

1 水下目標(biāo)特征選擇

1.1 數(shù)據(jù)標(biāo)準(zhǔn)化處理

數(shù)據(jù)中心化處理就是將數(shù)據(jù)進(jìn)行平移, 使其均值為0。對數(shù)據(jù)矩陣中心化得

不同特征的量綱不同, 造成不同特征的變化信息不能在同一尺度進(jìn)行比較, 文中利用歸一化方差的方式對數(shù)據(jù)進(jìn)行無量綱化處理

1.2 空間映射及核函數(shù)

1.3 KPCA特征選擇

圖1 核矩陣K和協(xié)方差矩陣C的關(guān)系

1.4 GA-KPCA算法

1) 編碼: 對核參數(shù)進(jìn)行編碼, 采用二進(jìn)制編碼, 原始的核參數(shù)經(jīng)編碼后表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù), 核參數(shù)的初始編碼值為任意值。

2) 生成初始種群: 隨機(jī)產(chǎn)生個(gè)初始串結(jié)構(gòu)數(shù)據(jù), 每個(gè)串結(jié)構(gòu)數(shù)據(jù)代表1個(gè)個(gè)體。GA算法以這個(gè)串結(jié)構(gòu)數(shù)據(jù)作為初始種群開始優(yōu)化。

3) 解碼: 將種群中的個(gè)體進(jìn)行解碼得到值, 并將值與原始特征數(shù)據(jù)樣本一起輸入到KPCA算法中。

6) 交叉操作: 選中2個(gè)個(gè)體并對其染色體上的第位進(jìn)行交叉操作。

7) 變異操作: 在父代中選擇1個(gè)基因點(diǎn), 采用均勻分布的隨機(jī)數(shù)替換, 使替換后的個(gè)體更加適應(yīng)當(dāng)前系統(tǒng)環(huán)境。

8) 重復(fù)進(jìn)行3)~7)直到達(dá)到設(shè)定的遺傳代數(shù), 得到最優(yōu)化的核參數(shù)值0, 注意0與初始0值無關(guān); GA-KPCA算法流程如圖2。

圖2 遺傳算法-核主元分析算法流程

2 試驗(yàn)結(jié)果與分析

圖3 核參數(shù)值進(jìn)化過程

圖4 GA-KPCA與主元分析的主元方差貢獻(xiàn)率

從圖4可以看出, GA-KPCA第1個(gè)主元占方差總和的26%左右, 前11個(gè)主元占總體方差的95%左右; PCA第1個(gè)主元占方差總和的21%左右, 前13個(gè)主元占總體方差的95%左右。所以將原始特征數(shù)據(jù)進(jìn)行非線性映射后, 再在映射空間進(jìn)行KPCA特征選擇能在一定程度上彌補(bǔ)傳統(tǒng)PCA在處理非線性問題的不足。

表1 GA-KPCA與PCA特征矩陣分類效果比較

由表可知, GA-KPCA特征矩陣的平均識別正確率為85%, 高于PCA特征矩陣11.25%, 平均耗時(shí)為23.427 s, 高于PCA特征矩陣4.264 s。GA-KPCA特征矩陣分類識別的平均耗時(shí)略高于PCA特征矩陣, 在可接受范圍內(nèi), 但其平均識別正確率遠(yuǎn)高于PCA特征矩陣。所以可知, 在水下目標(biāo)識別應(yīng)用中, 基于GA-KPCA特征選擇能在一定程度上彌補(bǔ)傳統(tǒng)PCA在處理非線性問題的不足, 從而提高水下目標(biāo)識別的正確率。

3 結(jié)束語

文中利用核技巧將原始特征空間數(shù)據(jù)映射至高維特征空間, 在高維特征空間進(jìn)行PCA特征選擇, 并采用遺傳算法對核參數(shù)進(jìn)行優(yōu)化, 實(shí)現(xiàn)了原始空間的非線性耦合數(shù)據(jù)在高維特征空間的線性可分, 在一定程度上彌補(bǔ)傳統(tǒng)PCA在處理非線性問題的不足。文中闡述了GA-KPCA算法的實(shí)現(xiàn)過程, 分析了核參數(shù)值的進(jìn)化過程, 比較了GA-KPCA與PCA主元方差貢獻(xiàn)率以及二者特征矩陣分類識別效果。綜合看來, 與傳統(tǒng)線性PCA特征選擇對比, 基于GA-KPCA特征選擇方法在水下目標(biāo)識別應(yīng)用中能得到更好的效果。

[1] 郭戈, 王興凱, 徐慧樸. 基于聲吶圖像的水下目標(biāo)檢測、識別與跟蹤研究綜述[J]. 控制與決策, 2018, 33(5): 906-922.Guo Ge, Wang Xing-kai, Xu Hui-pu. Review on Underw- aterTarget Detection, Recognition and Tracking Based on SonarImage[J]. Control and Decision, 2018, 33(5): 906-922.

[2] 王用, 張杰. 基于數(shù)據(jù)統(tǒng)計(jì)的雷達(dá)目標(biāo)類型識別問題研究[J]. 信息系統(tǒng)工程, 2018(5): 19-19.

[3] 宋達(dá). 基于深度學(xué)習(xí)的水下目標(biāo)識別方法研究[D]. 成都: 電子科技大學(xué), 2018.

[4] 胡光波, 梁紅, 徐騫. 艦船輻射噪聲混沌特征提取方法研究[J]. 計(jì)算機(jī)仿真, 2011, 28(2): 22-24, 34.Hu Guang-bo, Liang Hong, Xu Qian. Research on Chaotic Feature Extraction of Ship Radiated Noise[J]. Computer Simulation, 2011, 28(2): 22-24, 34.

[5] Sch?lkopf B. Kernel PCA and De-noising in Feature Spaces[J]. Advances in Neural Information Processing Systems, 1999, 11: 536-542.

[6] 耿振余, 陳治湘, 等. 軟計(jì)算方法及其軍事應(yīng)用[M]. 北京: 國防工業(yè)出版社, 2015.

[7] 李虹, 徐小力, 吳國新, 等. 基于MFCC的語音情感特征提取研究[J]. 電子測量與儀器學(xué)報(bào), 2017, 31(3): 448-453. Li Hong, Xu Xiao-li, Wu Guo-xin, et al. Research on Speech Emotion Feature Extraction Based on MFCC[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(3): 448-453

[8] 李芳. 深入淺出數(shù)據(jù)分析[M]. 北京: 電子工業(yè)出版社, 2012.

[9] 武優(yōu)西, 郭磊, 柴欣, 等. 基于優(yōu)化算法的核函數(shù)參數(shù)選擇的研究[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2010, 27(1): 137- 140.Wu You-xi, Guo Lei, Chai Xin, et al. On ParameterSelection of Kernel Function Based on Optimization Algorithm[J]. Computer Applications and Software, 2010,27(1): 137-140.

[10] Kung S Y. Kernel Methods and Machine Learning[M]. Cambridge: Cambridge University Press, 2014.

Application of Feature Selection Based on GA-KPCA in Underwater Target Recognition

YAN Liang-tao1, XIANG Xiao-li2

(1. 91388thUnit, the People’s Liberation Army of China, Zhanjiang 524022, China; 2. Gci Science & Technology Co. Ltd. Guangzhou510220, China)

The complexity of underwater radiated acoustic field and underwater acoustic channel results in intercoupling of the noise signals

by sonar, modulation distortion, and strong nonlinearity. In this paper, the kernel function is used to map the nonlinear data of the original feature space to the high-dimensional feature space; the principal components analysis(PCA) method is used to extract the features from the high-dimensional feature space, and the genetic algorithm(GA) is used to optimize the kernel parameters, thus an underwater target feature selection method based on GA-kernel principal components analysis(KPCA) is established. Actual sample data validation shows that, to a certain extent, this method compensates the insufficiency of the traditional linear PCA method in dealing with nonlinear data, and it has higher recognition accuracy.

underwater target recognition; genetic algorithm(GA); kernel principal component analysis(KPCA); kernel function

相關(guān)文章導(dǎo)航

1. 杜雪, 廖泓舟, 張勛. 基于深度卷積特征的水下目標(biāo)智能識別方法[J]. 水下無人系統(tǒng)學(xué)報(bào), 2019, 27(3).

2. 鄧新文, 朱文振, 謝勇. 潛艇轉(zhuǎn)向旋回防御主動聲自導(dǎo)魚雷的戰(zhàn)術(shù)意義與作戰(zhàn)運(yùn)用[J]. 水下無人系統(tǒng)學(xué)報(bào), 2019, 27(1).

3. 何心怡, 高賀, 盧軍, 等. 逆合成孔徑成像在魚雷真假目標(biāo)識別中的應(yīng)用及展望[J]. 水下無人系統(tǒng)學(xué)報(bào), 2017, 25(4).

4. 張溢文, 尹韶平, 王志杰, 等. 基于多目標(biāo)遺傳算法的雷載計(jì)算機(jī)隔振系統(tǒng)優(yōu)化設(shè)計(jì)[J]. 水下無人系統(tǒng)學(xué)報(bào), 2017, 25(2).

5. 吳雙, 楊長生, 梁紅. 一種氣泡背景下目標(biāo)檢測算法[J]. 魚雷技術(shù), 2015, 23(4).

6. 熊乾坤, 唐世軒. 一種魚雷主動聲自導(dǎo)目標(biāo)檢測真實(shí)性判定方法[J]. 魚雷技術(shù), 2015, 23(2).

7. 嚴(yán)侃, 雷江濤. 基于時(shí)頻分析的水聲目標(biāo)被動檢測模型研究[J]. 魚雷技術(shù), 2015, 23(1). 8. 胡橋, 郝保安, 易紅, 等. 水中高速小目標(biāo)被動檢測模型及其應(yīng)用[J]. 魚雷技術(shù), 2012, 20(4).

9. 趙偉, 郝保安, 楊向鋒, 等. 魚雷被動檢測的盲分離對抗干擾方法[J]. 魚雷技術(shù), 2012, 20(3).

10. 姚振軒, 張效民, 趙延安, 等. 基于基頻提取的艦船目標(biāo)識別系統(tǒng)設(shè)計(jì)[J]. 魚雷技術(shù), 2011, 19(5).

11. 樊書宏, 王英民, 岳玲, 等. 魚雷稀疏陣高分辨目標(biāo)聲成像方法[J]. 魚雷技術(shù), 2011, 19(1).

TJ630.34; TB56

A

2096-3920(2020)01-0113-05

10.11993/j.issn.2096-3920.2020.01.016

嚴(yán)良濤, 項(xiàng)曉麗. 基于GA-KPCA的特征選擇在水下目標(biāo)識別中的應(yīng)用[J]. 水下無人系統(tǒng)學(xué)報(bào), 2020, 28(1): 113-117.

2019-03-13;

2019-06-05.

嚴(yán)良濤(1989-), 男, 碩士, 工程師, 主要研究方向?yàn)樗履繕?biāo)識別技術(shù).

(責(zé)任編輯: 楊力軍)