基于GA-KPCA的特征选择在水下目标识别中的应用

严良涛, 项晓丽

基于GA-KPCA的特征选择在水下目标识别中的应用

严良涛1, 项晓丽2

(1. 中国人民解放军91388部队, 广东 湛江, 524022; 2. 广州杰赛科技股份有限公司, 广东 广州, 510220)

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。

水下目标识别; 遗传算法; 核主元分析法; 核函数

0 引言

水下目标识别是水声技术领域亟待解决的技术难题之一。水声目标作为复杂的辐射源, 其噪声由主机、辅机和各种机泵噪声耦合构成, 同时螺旋桨也会对辐射噪声产生调制作用; 水声信道是缓慢时变、空变的非线性系统, 会使辐射噪声频率之间产生各种耦合。上述因素使得声呐接收的噪声信号相互耦合、调制甚至畸变, 具有很强的非线性。因此, 水下辐射声场和水声信道的复杂性是水下目标识别的关键因素。

目标噪声信号的特征提取是目标识别器的关键技术, 为此学者们提出了多种特征提取方法[1-4], 试图从不同角度获得噪声信号的特征。为保证识别的正确率应将多种特征加以组合, 但会带来数据维数过高, 识别速率下降的问题。主元分析(principal components analysis, PCA)是一种可有效对高维数据进行降维的工具, 但传统线性PCA特征提取方法未考虑目标噪声信号的强非线性特点[5]。根据模式识别理论, 在低维空间的非线性不可分数据映射至相应的高维空间后, 可实现在该空间的线性可分。基于此, 文中将核技巧引入目标噪声信号处理中, 利用核函数(kernel)将原始空间的非线性特征数据映射至高维特征空间, 并在高维特征空间进行PCA提取特征, 同时采用遗传算法[6](genetic algorithm, GA)对核参数进行优化, 形成了基于遗传算法-核主元分析(kernel principal component analysis,)的水下目标特征提取方法。该方法可有效弥补传统线性PCA特征提取方法处理非线性数据的不足, 获得更好的识别效果。

1 水下目标特征选择

1.1 数据标准化处理

数据中心化处理就是将数据进行平移, 使其均值为0。对数据矩阵中心化得

不同特征的量纲不同, 造成不同特征的变化信息不能在同一尺度进行比较, 文中利用归一化方差的方式对数据进行无量纲化处理

1.2 空间映射及核函数

1.3 KPCA特征选择

图1 核矩阵K和协方差矩阵C的关系

1.4 GA-KPCA算法

1) 编码: 对核参数进行编码, 采用二进制编码, 原始的核参数经编码后表示成遗传空间的基因型串结构数据, 核参数的初始编码值为任意值。

2) 生成初始种群: 随机产生个初始串结构数据, 每个串结构数据代表1个个体。GA算法以这个串结构数据作为初始种群开始优化。

3) 解码: 将种群中的个体进行解码得到值, 并将值与原始特征数据样本一起输入到KPCA算法中。

6) 交叉操作: 选中2个个体并对其染色体上的第位进行交叉操作。

7) 变异操作: 在父代中选择1个基因点, 采用均匀分布的随机数替换, 使替换后的个体更加适应当前系统环境。

8) 重复进行3)~7)直到达到设定的遗传代数, 得到最优化的核参数值0, 注意0与初始0值无关; GA-KPCA算法流程如图2。

图2 遗传算法-核主元分析算法流程

2 试验结果与分析

图3 核参数值进化过程

图4 GA-KPCA与主元分析的主元方差贡献率

从图4可以看出, GA-KPCA第1个主元占方差总和的26%左右, 前11个主元占总体方差的95%左右; PCA第1个主元占方差总和的21%左右, 前13个主元占总体方差的95%左右。所以将原始特征数据进行非线性映射后, 再在映射空间进行KPCA特征选择能在一定程度上弥补传统PCA在处理非线性问题的不足。

表1 GA-KPCA与PCA特征矩阵分类效果比较

由表可知, GA-KPCA特征矩阵的平均识别正确率为85%, 高于PCA特征矩阵11.25%, 平均耗时为23.427 s, 高于PCA特征矩阵4.264 s。GA-KPCA特征矩阵分类识别的平均耗时略高于PCA特征矩阵, 在可接受范围内, 但其平均识别正确率远高于PCA特征矩阵。所以可知, 在水下目标识别应用中, 基于GA-KPCA特征选择能在一定程度上弥补传统PCA在处理非线性问题的不足, 从而提高水下目标识别的正确率。

3 结束语

文中利用核技巧将原始特征空间数据映射至高维特征空间, 在高维特征空间进行PCA特征选择, 并采用遗传算法对核参数进行优化, 实现了原始空间的非线性耦合数据在高维特征空间的线性可分, 在一定程度上弥补传统PCA在处理非线性问题的不足。文中阐述了GA-KPCA算法的实现过程, 分析了核参数值的进化过程, 比较了GA-KPCA与PCA主元方差贡献率以及二者特征矩阵分类识别效果。综合看来, 与传统线性PCA特征选择对比, 基于GA-KPCA特征选择方法在水下目标识别应用中能得到更好的效果。

[1] 郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与跟踪研究综述[J]. 控制与决策, 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, 张杰. 基于数据统计的雷达目标类型识别问题研究[J]. 信息系统工程, 2018(5): 19-19.

[3] 宋达. 基于深度学习的水下目标识别方法研究[D]. 成都: 电子科技大学, 2018.

[4] 胡光波, 梁红, 徐骞. 舰船辐射噪声混沌特征提取方法研究[J]. 计算机仿真, 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] Schölkopf B. Kernel PCA and De-noising in Feature Spaces[J]. Advances in Neural Information Processing Systems, 1999, 11: 536-542.

[6] 耿振余, 陈治湘, 等. 软计算方法及其军事应用[M]. 北京: 国防工业出版社, 2015.

[7] 李虹, 徐小力, 吴国新, 等. 基于MFCC的语音情感特征提取研究[J]. 电子测量与仪器学报, 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. 深入浅出数据分析[M]. 北京: 电子工业出版社, 2012.

[9] 武优西, 郭磊, 柴欣, 等. 基于优化算法的核函数参数选择的研究[J]. 计算机应用与软件, 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

相关文章导航

1. 杜雪, 廖泓舟, 张勋. 基于深度卷积特征的水下目标智能识别方法[J]. 水下无人系统学报, 2019, 27(3).

2. 邓新文, 朱文振, 谢勇. 潜艇转向旋回防御主动声自导鱼雷的战术意义与作战运用[J]. 水下无人系统学报, 2019, 27(1).

3. 何心怡, 高贺, 卢军, 等. 逆合成孔径成像在鱼雷真假目标识别中的应用及展望[J]. 水下无人系统学报, 2017, 25(4).

4. 张溢文, 尹韶平, 王志杰, 等. 基于多目标遗传算法的雷载计算机隔振系统优化设计[J]. 水下无人系统学报, 2017, 25(2).

5. 吴双, 杨长生, 梁红. 一种气泡背景下目标检测算法[J]. 鱼雷技术, 2015, 23(4).

6. 熊乾坤, 唐世轩. 一种鱼雷主动声自导目标检测真实性判定方法[J]. 鱼雷技术, 2015, 23(2).

7. 严侃, 雷江涛. 基于时频分析的水声目标被动检测模型研究[J]. 鱼雷技术, 2015, 23(1). 8. 胡桥, 郝保安, 易红, 等. 水中高速小目标被动检测模型及其应用[J]. 鱼雷技术, 2012, 20(4).

9. 赵伟, 郝保安, 杨向锋, 等. 鱼雷被动检测的盲分离对抗干扰方法[J]. 鱼雷技术, 2012, 20(3).

10. 姚振轩, 张效民, 赵延安, 等. 基于基频提取的舰船目标识别系统设计[J]. 鱼雷技术, 2011, 19(5).

11. 樊书宏, 王英民, 岳玲, 等. 鱼雷稀疏阵高分辨目标声成像方法[J]. 鱼雷技术, 2011, 19(1).

TJ630.34; TB56

A

2096-3920(2020)01-0113-05

10.11993/j.issn.2096-3920.2020.01.016

严良涛, 项晓丽. 基于GA-KPCA的特征选择在水下目标识别中的应用[J]. 水下无人系统学报, 2020, 28(1): 113-117.

2019-03-13;

2019-06-05.

严良涛(1989-), 男, 硕士, 工程师, 主要研究方向为水下目标识别技术.

(责任编辑: 杨力军)