基于高维特征选择的跳频电台细微特征识别

TN911.7; 将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低.为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集.然后利用经过参数优化的支持向量机(support vector machine,SVM)分类器进行训练分类.实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM 的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性....

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 42; no. 2; pp. 445 - 451
Main Authors 李红光, 郭英, 眭萍, 齐子森, 苏令华
Format Journal Article
LanguageChinese
Published 空军工程大学信息与导航学院,陕西西安,710077 01.02.2020
Subjects
支持向量机
特征选择
跳频电台
细微特征
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2020.02.25

Cover

More Information
Summary:TN911.7; 将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低.为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集.然后利用经过参数优化的支持向量机(support vector machine,SVM)分类器进行训练分类.实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM 的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2020.02.25