[发明专利]一种面向雷达电磁干扰效应分析的特征选择方法

说明书

本发明涉及一种面向雷达电磁干扰效应分析的特征选择方法。该特征选择方法，利用流形学习估计特征空间的本征子空间，确定子空间的维度与结构，然后利用稀疏模型优化从原特征空间到其子空间的线性映射，最终实现面向雷达电磁干扰效应分析的特征评价与特征选择。本发明利用雷达电磁干扰效应分析的特征样本数据挖掘特征空间的本征结构，进而估计原特征空间到本征特征子空间的最优映射，最终实现特征有效评价，进而既可以独立实现特征选择，又可以与专家知识联合进行特征选择；同时，选择的特征个数可由本征特征子空间的维度决定，避免人为选择；此外，选择的特征能够尽量保持原特征空间结构，实现冗余特征的去除。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种面向雷达电磁干扰效应分析的特征选择方法。

背景技术

雷达电磁干扰效应分析是挖掘电磁干扰机理的重要途径，涉及干扰信号、雷达系统、应用领域等多个方面。由于干扰信号的类型与参数多种多样、雷达系统处理环节复杂以及雷达应用领域众多，因此，需要有效的数学工具从雷达电磁干扰过程中挖掘内在知识。贝叶斯推理网络是实现雷达电磁干扰效应分析的有效工具，其通过网络学习与参数学习实现网络训练，进而根据客观证据实现雷达电磁干扰效应分析的知识推理。

相比传统深度学习网络，贝叶斯推理网络具有两大优势。其一，网络的可理解性。由于贝叶斯推理网络节点是由雷达电磁干扰过程中提取的特征构成，具有明确的特征含义。且网络参数对应了节点间的条件概率，节点关联明确、具有统计学意义。因此，相比被视为黑箱的传统深度学习网络，贝叶斯推理网络具有良好的可理解性。其二，网络推理无方向性约束。传统深度学习网络具有方向性，只能在输入层给定输入以及在输出层获得输出，即信息由输入层经过网络传递到输出层。贝叶斯推理网络可以由任意部分节点给出的证据获得其它节点的有效估计，即推理不受方向性约束，具有更广泛的应用前景。

考虑到雷达电磁干扰效应分析涉及的特征众多，对贝叶斯推理网络产生了巨大的压力。一方面，每一特征对应网络每一节点，节点众多直接导致网络训练过高的计算复杂度；另一方面，众多的特征增加了网络结构与参数，进而增加了网络的推理复杂度。特别是存在海量原始样本时，贝叶斯推理网络的实效性与推理精度都面临巨大的挑战。特征选择通过去除雷达电磁干扰效应分析原始特征中的冗余特征，为缓解贝叶斯推理网络压力提供了新思路。

特征选择一般通过特征评价选择评分较高的特征，评分准则通常采用专家知识，但是雷达电磁干扰效应复杂，多数特征难以直接评价。并且，选择特征的个数往往需要人为指定，缺乏客观依据，造成特征选择准确度下降，影响后续贝叶斯推理网络。这些都导致传统特征选择方法在雷达电磁干扰效应分析中的失效，因此，亟需一种新的特征选择方法来提升特征选择准确性，为实现基于贝叶斯推理网络的雷达电磁干扰效应分析提供条件。

发明内容

本发明的目的是提供一种面向雷达电磁干扰效应分析的特征选择方法，以能够更好的保持雷达电磁干扰效应分析的特征空间结构，提升特征选择准确性，为缩减特征维度、降低特征数据量奠定基础。

为实现上述目的，本发明提供了如下方案：

一种面向雷达电磁干扰效应分析的特征选择方法，包括：

获取面向雷达电磁干扰效应的原始特征；

根据所述原始特征确定原始特征空间和原始样本集；

根据所述原始样本集确定子空间模型参量；所述子空间模型参量包括：子空间维度和表示权重矩阵；

根据所述子空间模型参量构建特征子空间估计模型；

根据所述特征子空间估计模型确定特征子空间；

根据所述原始特征空间和所述特征子空间确定从所述原始特征空间中的原始特征到所述特征子空间的子特征间的线性映射模型；

根据所述线型映射模型确定线性映射估计值；