用于水声目标识别的自适应免疫特征选择算法

杨宏晖 1; 2; 戴健 1; 孙进才 1; 杜方键 1; 彭圆 2; 李桂娟 2

您当前的位置：

首页 >

文章列表页 >

用于水声目标识别的自适应免疫特征选择算法

更新时间：2025-07-09

- 用于水声目标识别的自适应免疫特征选择算法
- A New Adaptive Immune Feature Selection Algorithm for Underwater Acoustic Target Classification
- 西安交通大学学报 2011年45卷第12期页码：28-32+110
- 作者机构：
  
  1. 西北工业大学航海学院,西安,710072
  2. 水下测控技术国防科技重点实验室,大连,116013
- 作者简介：
- 基金信息：
  
  : 2011-04-19. 作者简介: 杨宏晖(1971-),女,博士,副教授,硕士生导师. 基金项目: 国家自然科学基金资助项目(60672136)
- DOI：
  中图分类号： TP391.41
- 网络首发：2011-12-10，
  
  纸质出版：2011
- 稿件说明：
移动端阅览
杨宏晖 1, 2, 戴健 1, 等. 用于水声目标识别的自适应免疫特征选择算法[J]. 西安交通大学学报, 2011,45(12):28-32+110.

A New Adaptive Immune Feature Selection Algorithm for Underwater Acoustic Target Classification[J]. 2011, 45(12): 28-32+110.
杨宏晖 1, 2, 戴健 1, 等. 用于水声目标识别的自适应免疫特征选择算法[J]. 西安交通大学学报, 2011,45(12):28-32+110. DOI：

A New Adaptive Immune Feature Selection Algorithm for Underwater Acoustic Target Classification[J]. 2011, 45(12): 28-32+110. DOI：

摘要

针对水声目标小样本识别中样本数目有限而特征数目不断增加

导致分类系统分类性能下降的问题

提出了一种新的自适应免疫特征选择算法(AIFSA).该算法先利用先验知识生成初始种群

接着利用交叉、变异和新的自适应免疫算子指导种群进化

每代中对分类贡献大且选择特征数目少的个体适应度值高.AIFSA具有可以利用先验知识、收敛速度快以及优化特征子集维数小的优点.提取了实测4类水声目标的多域特征

进行特征选择和分类识别仿真实验

结果表明:AIFSA可以选择有效特征子集

在特征维数下降60%的情况下

支持向量机分类器的平均正确分类率下降很小; AIFSA与标准遗传算法相比

收敛快、稳定

所得优化特征子集具有更高的正确分类率和更好的范化性能.

Abstract

A novel adaptive immune multi-filed feature selection algorithm(AIFSA)for underwater acoustic tragets classification is proposed. The AIFSA is proposed to address the problem that the classification performance in classifying underwater acoustic targets declines as the dimension of feature set increases

and that classifying underwater acoustic targets is a small-sample-size classification problem. The AIFSA generates an initial population using prior knowledge

and then generates new generations through repetitive application of mutation

crossover

and adaptive immune operator. In each iteration

individuals with less number of features and with high classification accuracy are given higher fitness values. The advantages of AIFSA include: using of prior knowledge

fast convergence

and small size of optimal feature subset. The multi-field features are extracted from 4 classes of underwater targets and used in feature selection and classification extracted. Experimental results show that the AIFSA can select the subset of efficient features

and there is only a small decline in the accuracy of SVM classifier when the number of features is decreased about 60%. Compared with the genetic algorithm

the AIFSA is more stable and achieves better converge speed

and the feature subset obtained by AIFSA achieves better class ification performance and generalizability.

关键词

Keywords

references

史广智,胡均川,笪良龙. 基于模型匹配的舰船螺旋桨噪声特征精细分析[J]. 声学学报,2009,34(5): 401-407.

SHI Guangzhi, HU Junchuan, DA Lianglong. Feature fine analysis of noise radiated from ship propeller based on model matching [J].Acta Acustica, 2009, 34(5): 401-407.

谢骏, 胡均川, 笪良龙, 等. 舰船目标噪声调制包络谱融合算法研究[J]. 系统仿真学报, 2009, 21(1):62-64.

XIE Jun, HUN Junchuan, DA Lianglong, et al. Research on fusion arithmetic for modulation envelope spectrum of navy vessel's noise [J]. Journal of System Simulation, 2009, 21(1): 62-64.

樊养余,孙进才. 基于高阶谱的舰船辐射噪声特征提取[J]. 声学学报,1999, 24(6): 611-616.

FAN Yangyu, SUN Jincai. Feature extraction of ship-radiated noise using higher-order spectrum [J]. Acta Acustica, 1999, 24(6): 611-616.

李雪耀,彭圆,林良骥,等. 基于小波与三次样条插值的包迹谱的水下目标分类研究[J]. 声学学报, 2004, 29(1):63-67.

LI Xueyao, PENG Yuan, LIN Liangji, et al. Study on classification of underwater targets based on modulation spectrum by wavelet transforms and cubic spline technique [J]. Acta Acustica, 2004, 29(1):63-67.

王娜, 陈克安. 水下噪声音色属性回归模型及其在目标识别中的应用 [J]. 物理学报,2010, 59(4):2873-2881.

WANG Na, CHEN Ke'an. Regression model of timbre attribute for underwater noise and its application to target recognition [J]. Acta Physica Sinica, 2010, 59(4):2873-2881.

TUCKER S, BROWN G J. Classification of transient sonar sounds using perceptually motivated features [J]. IEEE Journal of Oceanic Engineering, 2005, 30(3):588-600.

VACCARO R J. The past, present and future of underwater acoustic signal processing [J]. IEEE Signal Processing Magazine, 1998, 15(4): 21-51.

杨宏晖,孙进才,袁骏. 基于支持向量机和遗传算法的水下目标特征选择算法[J]. 西北工业大学学报,2005, 23(4): 512-515.

YANG Honghui, SUN Jincai, YUAN Jun. A new method for feature selection for underwater acoustic targets [J]. Journal of Northwestern Polytechnical University, 2005, 23(4): 512-515.

YANG Honghui, SUN Jincai. Feature selection for multi-class underwater acoustic targets via SVMs and genetic algorithms [EB/OL](2005-10-16)[2011-01-10]. http:∥apps.webofknowledge.com/full_record.do?qid=5log_event=noviewType=full Recordproduct=WOS SID=P2e517AOA66IcjaecmBpage=1doc=1.

ZHAO Zheng, LIU Huan. Searching for interacting features in subset selection [J]. Intelligent Data Analysis, 2009, 13(2):207-228.

SWINIARSKI R W, SKOWRON A. Rough set methods in feature selection and recognition [J]. Pattern Recognition Letters, 2003, 24(6): 833-849.

詹艳梅,孙进才. 基于粗糙集理论的特征选择方法[J]. 自然科学进展, 2004, 12(12):1483-1487.

ZHAN Yanmei, SUN Jincai. The feature selection method based on rough theory [J]. Nature Science Progressing, 2004, 12(12):1483-1487.

朱虎明,焦李成. 基于免疫记忆克隆的特征选择[J]. 西安交通大学学报, 2008, 42(6): 679-682.

ZHU Huming, JIAO Licheng. Feature selection via immune memory clone [J]. Journal of Xi'an Jiaotong University, 2008, 42(6): 679-682.

杨宏晖,候宏,曾向阳,等. 基于声信号人耳听觉谱特征的风机故障诊断[J]. 仪器仪表学报, 2009, 30(1): 175-179.

YANG Honghui, HOU Hong, ZENG Xiangyang, et al. Fault diagnosis for fan based on auditory spectrum feature of sound signal [J]. Chinese Journal of Scientific Instrument, 2009, 30(1): 175-179.

DAVIS S, MERMELSTEIN P. Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences [J]. IEEE Trans ASSP, 1980, 28(4): 357-366.

VAPNIK V. The nature of statistical learning theory [M]. New York,USA: Springer-Verlag, 2000.

应用水波弥散特性的舰船航迹三维可视化新方法. 西安交通大学学报,2011, 45(8):49-53.

强干扰环境水下运动阵列方位估计的新方法. 西安交通大学学报,2010, 44(12):71-75.

频谱包络滤波器及其应用. 西安交通大学学报,2010, 44(8):48-52.

利用粒子群优化的人脸特征提取识别算法. 西安交通大学学报,2010, 44(4):48-51.

图像分割的谱聚类集成算法. 西安交通大学学报,2010, 44(6):93-98.

一种考虑环境作用的协同免疫遗传算法. 西安交通大学学报,2009, 43(11):80-84.

基于特征层和二代曲波变换的多模生物特征融合识别方法. 西安交通大学学报,2009, 43(10):32-36.

三维子空间约束的遮挡点恢复方法. 西安交通大学学报,2009, 43(4):10-13.

采用二代曲波变换和反向传播神经网络的人脸识别方法. 西安交通大学学报,2008, 42(10):1213-1216.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

超临界二氧化碳向心透平轮背间隙内风阻损失及流动特性研究

三塔合一间接空冷系统结构参数对夏季运行特性的影响研究

采用机器学习的大规模并行程序I/O性能建模与预测方法

离子液体改性燃料的电流体动力学效应研究

EBSILON软件在热电联产系统优化中的应用综述