[发明专利]基于主成分分析的传感器阵列特征选择和阵列优化方法

权利要求书

1.基于主成分分析的传感器阵列重要特征选择方法，其特征在于，依次包括以下步骤：

A：对待选的传感器阵列特征提取方法进行识别性能评估，然后根据评估结果，选择若干种传感器阵列特征提取方法，作为本传感器阵列特征提取方法使用；并将所选择的若干种本传感器阵列特征提取方法所对应的传感器阵列特征作为初始特征；

B：根据步骤A中得到若干种初始特征，构成初始特征数据集X＝[x_i,j]_p×n，其中，p代表特征维度，n代表样本个数，i是第i维特征，j是第j个样本，i，j均为自然数；

C：对初始特征数据集X进行标准化后做PCA变换，计算标准化后的初始特征数据集中每一维特征的重要程度F_k；

D：按照每一维特征的重要程度F_k由大到小的顺序，对标准化后的初始特征进行排序，得到排序列表L；

E：按照排序列表L，依次选取排序列表L中前1个特征、前2个特征、……、前d个特征，构成对应的d个待定特征数据集

F：基于算法中使用的分类器，分别评估每一个待定特征数据集在分类器下的识别准确率，对应得到d个识别准确率判决结果；

G：从步骤F中得到的d个识别准确率判决结果中，找到最高的准确率判决结果，则该最高的准确率判决结果所对应的序列表L中的前d个特征即为选定的重要特征；

所述的步骤A中，选取识别率高的前若干种传感器阵列特征作为初始特征；同时，将选取的若干种初始特征所对应的传感器阵列特征提取方法，作为本传感器阵列特征提取方法使用；

所述的步骤C包括以下具体步骤：

C1：对初始特征数据集X划分训练集和测试集；

C2：对训练集中的数据，按照公式(1)进行标准化，最终得到标准化后的初始特征数据集

其中，x_i,j是初始特征数据,代表矩阵中的元素即标准化后的初始特征数据,μ_i是第i维初始特征均值，σ_i是第i维初始特征标准差；

C3：按照公式(2)，对标准化后的初始特征数据集做PCA变换；得到经PCA变换后的数据集

其中，a_i＝[a_i1,a_i2,…,a_ip]^T是第i个主成分方向；t为变换维度，由黄金分割常数确定，t取[0.618p]或者取[0.382p]，i为1，2，…，t中的任意一个自然数，符号“[]”表示取整；

C4：按照公式(3)，对中每一维特征的重要程度F_k进行计算

公式(3)中，下角标k表示中第k维特征，P_q是PCA算法中第q个主成分的贡献度；公式(4)中的λ_q是第q个主成分对应的特征值，即的协方差矩阵的第q个最大特征值；a_qk是第q个主成分方向a_q的第k维分量，|a_qk|是a_qk的绝对值，||a_q||₁是a_q的1范数。

2.根据权利要求1所述的基于主成分分析的传感器阵列重要特征选择方法，其特征在于：所述的步骤C1中，采用交叉验证的方式或采用流出的方式进行训练集和测试集划分。

3.根据权利要求1所述的基于主成分分析的传感器阵列重要特征选择方法，其特征在于：所述的步骤F中，分类器选择SVM。

4.根据权利要求1所述的基于主成分分析的传感器阵列重要特征选择方法得到的阵列优化，其特征在于，还包括步骤H：

H：根据步骤G中挑选出的前d个重要特征，对传感器阵列中的传感器进行分组，分组具体方法为：

选择S种原始特征提取方法，将传感器分为S+1组，分别为：

第1组，S选传感器组，S选传感器组中S个特征都在d个选定的重要特征中；

第2组，S-1选传感器组，S-1选传感器组中有S-1个特征在d个选定的重要特征中；

第3组，S-2选传感器组，S-2选传感器组中有S-2个特征在d个选定的重要特征中；

……

第S组，1选传感器组，1选传感器组中有1个特征在d个选定的重要特征中；

第S+1组，0选传感器组，0选传感器组中有S个特征均不在d个选定的重要特征中；

根据系统性能和成本的需要，选择用如下三种方案来构建传感器阵列：

第一种方案：用第1组即S选传感器组来构建传感器阵列，此时构建的传感器阵列中传感器的数目最少，系统成本最低；

第二种方案：用全部被选中特征的传感器组构建传感器阵列，即用第1组到第S组传感器组一起来构建传感器阵列，此时构建的传感器阵列中传感器的数目最多，系统性能最好；

第三种方案：用前t组传感器组来构成传感器阵列，t可以是1到S中的任一值，此时构建的传感器阵列中传感器为系统性能和成本之间平衡的方案。