一种有效降维的特征选择方法及其在水声目标识别中的应用

郭 政，赵 梅，胡长青

(1. 中国科学院声学研究所东海研究站，上海201815；2. 中国科学院大学，北京100049)

0 引 言

在水声目标的识别问题中，提取更多的特征是提高目标识别率的主要方法之一。较高的特征维度包含更为丰富的信息量，可以提高问题描述的准确性。但与此同时，高维特征的冗余信息会影响算法的速度，甚至有可能降低目标识别准确率。因此，根据所需识别数据特性对特征进行选择以降低特征维度是有必要的。

遍历所有特征空间得到最优特征子集的穷举搜索方法是最基础的特征选择算法。但穷举方法效率低下，在面对高维特征向量时计算量巨大。因此需要采取更高效的算法进行特征选择。

通常，特征选择算法可分为过滤式(Filter)算法与封装式(Wrapper)两类算法[1]，两者主要区别为，Filter方法独立于分类识别算法，其优点在于以较小计算量的代价减少特征维数，但并不能保证结果用于分类识别的准确率[2]；Wrapper方法则以分类识别算法的准确率来评价算法性能，虽然计算量较大但准确率较高[3]。在水声目标识别应用中，Wrapper方法作为基础的特征选择算法更为适合。

Wrapper方法中一个关键问题是如何生成待检验特征子集。近年来，学界对此进行了大量研究，例如遗传算法、差分进化算法、粒子群算法、蚁群算法以及模拟其他生物种群行为算法等均可应用于生成、搜索特征子集。Lin等[4]将猫群算法(Cat Swarm Optimization, CSO)应用于参数优化与特征选择。张震等[1]将改进的粒子群算法与禁忌搜索结合应用于入侵检测系统特征选择。……