艦船移動網絡通信數據多特征融合方法研究

華創立，康鮮菜，潘光永

(1.金華市現代制造與材料高新技術研發中心，浙江 東陽 322100；2.浙江廣廈建設職業技術大學，浙江 東陽 322100)

0 引 言

隨著移動網絡的飛速發展，越來越多的傳感器采集移動網絡在軍事和民用領域得到廣泛應用[1-3]。在軍事應用中，需要對艦船移動網絡通信數據進行分析處理，提取重要的特征信息，以便對艦船移動網絡通信進行預測和決策。目前，國內外學者提出了多種特征提取和融合方法用于艦船移動網絡通信數據特征提取和融合。例如，呂瑾文等[4]通過自組織神經網絡的特征提取方法，該方法能夠對大量艦船移動網絡通信數據進行實時、有效的分類、篩選和預測；蔡新梅[5]采用基于稀疏表示的特征提取方法，對艦船移動網絡通信數據進行特征提取和融合，通過最小二乘支持向量機對艦船移動網絡通信數據進行分類和預測；王玉國[6]基于小波神經網絡的多特征信息融合方法，將小波神經網絡與稀疏表示相結合，利用小波神經網絡對艦船移動網絡通信數據進行特征提取和融合。目前對艦船移動網絡通信數據特征提取和融合方面的研究成果較多，但在應用領域方面還未形成統一標準。

1 艦船移動網絡數據的特點

艦船移動網絡數據是指艦船在航行過程中通過移動網絡方式接收的數據，主要包括以下方面：

1）艦船移動網絡通信數據具有動態性，根據艦船的位置和移動速度，會產生不同類型的艦船移動網絡通信數據。在實際應用中，不同類型的艦船移動網絡通信數據具有不同的表現形式，具有一定的隨機性。

2）艦船移動網絡通信數據具有多維屬性，船舶移動網絡通信結構圖如圖1 所示。艦船移動網絡通信數據在特征屬性上不僅包括傳統數據所包含的信息，還包括一些無法直接被傳統方法描述的特征信息，由于各種因素的影響，在不同時刻、不同位置和不同節點上接收到的艦船移動網絡通信數據會存在差異，從不同來源獲得的艦船移動網絡通信數據之間會存在一定程度上的關聯關系，需要將其進行融合處理，由于環境因素、人為因素和時間因素等，會導致不同來源的艦船移動網絡通信數據產生不同程度上的偏差。

圖1 船舶移動網絡通信結構圖Fig.1 Communication structure of ship mobile network

2 基于多特征信息融合的數據預處理方法

2.1 基于多元統計分析的特征提取

首先，對收集到的艦船移動網絡通信數據進行預處理，得到具有明顯統計學意義的特征指標，通過對數據進行主成分分析和因子分析，減少多維復雜屬性對艦船移動網絡通信數據的影響。其次，通過主成分分析得到艦船移動網絡通信數據的基本統計特征指標，然后通過主成分分析提取出數據的主要特征，利用因子分析方法獲得對艦船移動網絡通信數據影響較大、能夠反映主要特征指標的因子。

2.1.1 主成分分析法

原理及主要計算步驟為：

式中：λi為第i個特征值，eij為λi相對應的第i個特征向量的第j個分量。得到載荷矩陣后，可以得到因子模型。

將移動通信網絡數帶入分析后可以將數據進行降維，并對收集到的移動網絡數據進行預處理。

2.1.2 因子分析法

利用主成分方法對因式進行修正，假定先對收集到的移動網絡通信的變量進行標準化轉變，則可以假設R*為相關矩陣，可以得出下式：

通過上述分析將主成分分析法得出的數據用因子分析法加以修正，可以將船舶的移動通信網絡數據更為精確的進行預處理。

2.2 基于小波變換的船舶通信數據多特征融合

首先對預處理后的艦船移動網絡通信數據進行小波分解，得到不同尺度下的子空間分量，然后對不同尺度下子空間分量進行特征融合，得到融合后的子空間分量。

基于小波變換和多元統計分析的特征提取方法在降低計算復雜度和減少計算時間上具有很大優勢。但由于單一特征指標在艦船移動網絡通信數據中可能表現出較強或較弱甚至相反的性質，因此將多種特征指標融合起來是一個非常重要且有意義的研究方向。

多維復雜屬性是艦船移動網絡通信數據中最重要也是最具代表性的屬性，多維復雜屬性在多個維度上存在一定程度上的重疊，不同維度上存在一定程度上的相關性，多維復雜屬性之間也可能相互影響和作用。

本方法首先對原始艦船移動網絡通信數據進行小波變換，得到不同尺度下各子空間分量；然后利用多元統計分析對各子空間分量進行特征提取；最后利用小波變換對各子空間分量進行重構，得到融合后子空間分量。本方法適用于艦船移動網絡通信數據分析領域。

3 船舶多特征融合算法及設計通信數據的處理

在多特征融合算法中，首先從數據中提取出多維復雜屬性的綜合信息，然后根據不同屬性的重要程度賦予權值，最后根據不同類型屬性的權值對得到的信息進行加權平均，得到多維復雜屬性的綜合信息。

同時，通過對艦船移動網絡通信數據進行預處理，可以得到更多的綜合信息。隨著艦船移動網絡通信技術研究越來越深入，使用多特征融合算法對艦船移動網絡通信數據進行預處理可以得到更多屬性信息和分類預測結果。

3.1 歸一化處理

歸一化是指對原始數據進行標準化處理，使其變為近似為同一類型數據，從而方便進行分析。歸一化方法分為以下2 種：

1）差分處理法。對原始數據進行一系列差分操作，將原始數據變為2 個近似的數值，使其滿足某種特定的函數關系。這種方法適用于非平穩和小樣本問題。差分處理法的基本思想是將一個原始數據序列用一個與之等距的隨機序列來代替，對原始序列進行2 次差分操作，從而使該序列變為一個新的標準差序列。

2）平方差處理法。對于不同的數字量，其值都不相同，在數學上，將數字量視為具有相同量綱和數量級的單位。這樣可以方便地消除因單位不同而造成的量綱和數量級差別。最終，使用平方差處理法對艦船移動網絡通信數據展開分析，該方法是在數據歸一化之前先將原始數據進行平方和處理，再對得到的新數據進行歸一化。歸一化參數Y隨輸入參數變化曲線如圖2 所示。歸一化的參數隨著輸入參數的變大而緩慢抖動變大，變化過程中存在一定的噪聲干擾，這屬于正常現象，不影響最終的數據準確度。

圖2 歸一化參數Y 隨輸入參數變化曲線Fig.2 Normalized parameter Y change curve with input parameters

3.2 特征量的提取

首先，對通信數據進行歸一化處理。在進行歸一化處理之前，需要對通信數據進行分塊處理，根據通信數據的特點選擇合適的分塊方法。采用歸一化方法將通信數據轉化為數字量后，可以采用直方圖統計方法對通信數據進行特征提取。需要注意的是，這種數組的構造方法具有一定的特殊性。其基礎運算如表1所示。

表1 基礎運算函數名Tab.1 Basic Operation Function Names

其次，在Matlab 中利用直方圖統計方法對通信數據進行特征提取。在實際應用中，可以使用上述方法提取出一組不同類型的特征向量。特征量隨數據量變化曲線如圖3 所示。可知特征值預測結果和實際結果吻合度非常高，同時特征值會隨著數據量的增加而顯著減低。

圖3 特征量隨數據量變化曲線Fig.3 Variation curve of feature quantity with data quantity

3.3 基于BP 神經網絡分類算法的多特征融合

本文結合小波變換算法與BP 神經網絡算法，實現了更加高效的多特征值提取功能，所謂的BP 神經網絡是一種反向傳播的前饋網絡，其結構主要包括輸入層、隱含層和輸出層，在網絡的訓練過程中，對于輸入值的變化，網絡會自動調整權重系數。BP 神經網絡的結構如圖4 所示。

圖4 BP 神經網絡的結構Fig.4 Structure of BP neural network

神經網絡的構成需要以下步驟：

1）輸入層：包含n個輸入節點。

2）隱含層：隱含層由輸入層輸入節點和輸出層輸出節點組成。

3）輸出層：可以將n個節點看做是一個m維向量到一個n維向量的映射，映射關系如下：

并最終得出誤差：

7）閾值：閾值是指當輸入值經過訓練后達到某種特定的值時，網絡就能正確地進行識別和預測。

8）初始權值由網絡訓練效果決定，并對其校正。

9）訓練樣本集：在訓練集上進行模擬后可以實現精準的識別和預測。

4 融合過程分析

首先，對艦船移動網絡通信數據利用主成分分析法進行預處理，獲得多維復雜屬性的綜合信息；其次，采用小波算法進行多特征融合，提高信息提取和融合的準確性；最后，通過歸一法和BP 分類的方法進行數據驗證提取。實驗結果表明：本文方法對艦船移動網絡通信數據進行特征提取和融合，能夠有效提高數據分類、篩選和預測的準確性。

5 結 語

本文提出一種基于多特征融合的艦船移動網絡通信數據處理方法，該方法結合了BP 神經網絡算法和小波算法對船舶的通訊網絡數據進行融合，在艦船移動網絡通信數據中，通過對通信數據的統計分析，得到通信數據中缺失值的特征參數，并根據這些特征參數對通信數據進行缺失值填補。未來需要進一步研究不同類型艦船移動網絡通信數據的處理方法，以提高艦船移動網絡通信數據處理的程度。