【技术实现步骤摘要】
基于主成分分析的传感器阵列特征选择和阵列优化方法
本专利技术涉及一种传感器阵列特征选择和阵列优化方法，尤其涉及一种基于主成分分析的传感器阵列特征选择和阵列优化方法。
技术介绍
目前，在对传感器阵列进行特征选择时，可以寻找适合应用场景的优秀特征，以提高传感器阵列系统的识别性能和鲁棒性。对传感器阵列进行传感器优化，不仅可以降低传感器阵列的成本，而且可以进一步提高传感器阵列的性能。当前通过主成分分析(principlecomponentanalysis，PCA)技术对传感器阵列特征选择的方法都是利用PCA对原始传感器特征进行变换，在变换域里进行降维和特征选择。这种方法只关注数据方差大小的分布情况，认为方差大的数据方向维度具有较大的信息量，并直接删除了方差小的数据维度。但是，由于数据方差大小与数据的有效分类信息并没有本质的必然联系，数据方差较小的维度同样有可能蕴含了有效分类信息，导致现有的通过PCA技术对传感器阵列特征选择的方法效果较差。
技术实现思路
本专利技术的目的是提供一种基于主成分分析的传感器阵列特征选择和阵列优化方法，能够进一步提高传感器阵列检测性能，降低传感器阵列...
【技术保护点】
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＝[xi，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Fk；D：按照每一维特...
【技术特征摘要】
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＝[xi，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Fk；D：按照每一维特征的重要程度Fk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。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。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，xi，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,μi是第i维初始特征均值，σi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，ai＝[ai1，ai2，...，aip]T是第i个主成分方向；t为变换维度，由黄金分割常...
【专利技术属性】
技术研发人员：孙彤，钱慎一，张旭，石永生，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。