基于随机森林的微动特征重要性评估研究

doi:10.3969/j.issn.1009-086x.2022.04.014

摘要/Abstract

摘要：

为了减少气动目标识别微动特征集的冗余，进一步降低特征维度，引入随机森林对多维微动特征进行重要性评估。描述了随机森林算法及其工程实施流程，给出时域、频域及时频域等18维微动特征提取方法，用VHF波段实测数据对基于随机森林的特征重要性评估算法进行验证，并分析了特征选择对Fisher、支持向量机和决策树3种分类器的性能影响，以及雷达相参积累脉冲个数对于特征重要性评估的影响。对于Fisher和支持向量机来说，随着特征维数的增加，能够一定程度地提高分类准确率；而对于决策树来说，只有重要性评分较高的特征对分类准确率有贡献。

关键词: 随机森林, 微动特征, 特征重要性, 离线评估, 气动目标, 调制谱间隔

Abstract:

In order to reduce the redundancy in the micro-motion feature set of aerodynamic targets and reduce the feature dimensionality， random forest is introduced to evaluate the importance of multi-dimensional micro-motion features. The random forest algorithm and project implementation process are described， and 18 micro-motion features in the time domain， frequency domain and time-frequency domain are extracted. VHF band measured data are used to verify the feature importance evaluation algorithm based on random forest， and the influence of feature selection on the performance of tree classifiers including Fisher， support vector machine and decision tree classifier， as well as the influence of the number of radar coherent accumulation pulses on the feature importance evaluation are analyzed. For Fisher and support vector machine， with the increase of feature dimension， classification accuracy can be improved slightly. For decision trees， classification accuracy is only affected by features with higher importance score.

Key words: random forest, micro-motion feature, feature importance, offline evaluation, aerodynamic target, modulation spectrum interval

中图分类号:

TN957.5

赵庆媛, 叶春茂, 鲁耀兵. 基于随机森林的微动特征重要性评估研究[J]. 现代防御技术, 2022, 50(4): 124-131.

Qing-yuan ZHAO, Chun-mao YE, Yao-bing LU. A Micro-Motion Feature Importance Evaluation Algorithm Based on Random Forest[J]. Modern Defense Technology, 2022, 50(4): 124-131.

图/表 7

参考文献 15

1	CHEN Victor-C， LI Fa-yin， Shen-shyang HO， et al. Micro-Doppler Effect in Radar： Phenomenon Model and Simulation Study［J］. IEEE Transactions on Aerospace and Electronic Systems， 2006， 42（1）：2-21.
2	杨守峰，吴海坤，王晓，等. 低分辨雷达目标调制特征提取和分类识别方法［J］. 电子信息对抗技术， 2015， 30（4）： 15-20.
	YANG Shou-feng， WU Hai-kun， WANG Xiao， et al. Target Feature Extraction and Recognition Based on Low-Resolution Radar［J］. Electronic Warfare Techno-logy， 2015， 30（4）： 15-20.
3	费大勇. 窄带雷达飞机目标特征提取与分类器设计研究［D］. 西安：西安电子科技大学， 2017.
	FEI Da-yong. Study on Feature Extraction and Classify er Design of Airplane Targets Based on Narrowband Radar［D］. Xi’an： Xidian Universigy， 2017.
4	姜悦. 基于微多普勒的飞机目标时频域特征提取方法研究［D］. 西安：西安电子科技大学， 2014.
	JIANG Yue. Research on Time-Frequency Feature Extraction of Airplane Targets Based on Micro-Doppler［D］. Xi'an： Xidian Universigy， 2014.
5	LEI Jia-jin. Pattern Recognition Based on Time-Frequency Distributions of Radar Micro-Doppler Dynamics［C］∥ IEEE Proceedings of the Sixth International Conference on SNPD/SAWN， Washington DC， USA， 2005：14-18.
6	李明，吴娇娇，左磊，等. 基于实测数据的空中目标分类识别算法［J］. 电子与信息学报， 2018， 40（11）：2606-2613.
	LI Ming， WU Jiao-jiao， ZUO Lei， et al. Aircraft Target Classification and Recognition Algorithm Based on Measured Data ［J］. Journal of Electronics & Information Technology， 2018， 40（11）：2606-2613.
7	王云鹏，胡以华，雷武虎，等. 基于激光回波时频图纹理特征的飞机目标分类方法［J］. 光学学报， 2017， 37（11）：340-349.
	WANG Yun-peng， HU Yi-hua， LEI Wu-hu， et al. Aircraft Target Classification Method Based on Texture Feature of Laser Echo Time-Frequency Image ［J］. Acta Optica Sinica， 2017，37（11）：340-349.
8	赵越，陈之纯，纠博，等. 一种基于时频分析的窄带雷达飞机目标分类特征提取方法［J］. 电子与信息学报， 2017， 39（9）：2225-2231.
	ZHAO Yue， CHEN Zhi-chun， Bo JIU， et al. Narrowband Aircraft Targets Feature Extraction and Classification Based on Time-Frequency Analysis ［J］. Journal of Electronics & Information Technology， 2017， 39（9）：2225-2231.
9	Frauke Degenhardt， Seifert Stephan， Silke Szymacza. Evaluation of Variable Selection Methods for Random Forests and Omics Data Sets［J］. Briefings in Bioinformatics， 2019，20（2）：492-503.
10	张因国，陶于祥，罗小波，等. 基于特征重要性的高光谱图像分类［J］. 红外技术， 2020， 42（12）：1185-1191.
	ZHANG Yin-guo， TAO Yu-xiang， LUO Xiao-bo， et al. Hyperspectral Image Classification Based on Feature Importance［J］. Infrared Technology， 2020， 42（12）：1185-1191.
11	PANG H， GEORGE S L， HUI K，et al ．Gene Selection Using Iterative Feature Elimination Random Forests for Survival Outcomes［J］. IEEE/ACM Transactions on Computational Biology & Bioinformatics，2012，9（5）：1422-1431．
12	MENZE B H， KELM B M， MASUCH R，et al ．A Comparison of Random Forest and Its Gini Importance with Standard Chemometric Methods for the Feature Selection and Classification of Spectral Data［J］．BMC Bio-Informatics，2009，10（1）：1-16．
13	BREIMAN L ．Random Forests［J］． Machine Learning，2001，45（1）： 5-32．
14	LAVANYA K， BAJAJ S， TANK P， et al. Handwritten Digit Recognition Using Hoeffding Tree， Decision Tree And Random Forests - A Comparative Approach ［C］∥ International Conference on Computational Intelligence in Data Science， Chennai，India，2017：1-6.
15	姚锐，惠萌. 基于随机森林的局部放电特征提取和优选研究［J］. 华北电力大学学报， 2021， 48（4）： 63-72.
	YAO Rui， HUI Meng. Feature Extraction and Optimal Selection Based on Random Forest for Partial Discharges ［J］. Journal of North China Electric Power University， 2021， 48（4）： 63-72.

项目		桨叶数	L₁/m	L₂/m	w_r/（r·s^-1）
AS350	主桨	3	0	5.345	6~7
AS350	尾桨	2	0	0.93	26~40
Y5	主桨	4	0	1.8	20~25
JET		38	0.38	0.6	58

项目		桨叶数	L₁/m	L₂/m	w_r/（r·s^-1）
AS350	主桨	3	0	5.345	6~7
AS350	尾桨	2	0	0.93	26~40
Y5	主桨	4	0	1.8	20~25
JET		38	0.38	0.6	58

特征序号	特征重要性	特征含义
1	42.125 3	时域标准归一化方差
2	18.036 1	频域波形熵v=0.1
3	24.850 8	频域波形熵v=0.3
4	30.779 6	频域波形熵v=0.5
5	33.750 8	频域波形熵v=0.8
6	50.470 7	频域波形熵v=1
7	154.668 9	目标主体峰值与微动对应最大谱峰的比值
8	501.342 0	目标主体峰值与微动对应最大谱峰的间隔
9	59.677 5	去掉主体峰值前后的能量比
10	194.728 5	频域2阶中心矩
11	132.905 1	频域3阶中心矩
12	154.591 7	频域4阶中心矩
13	151.934 1	频域5阶中心矩
14	3.927 4	主体主瓣宽度
15	68.159 4	时频图图像Shannon熵
16	41.902 7	时频图图像熵
17	81.564 3	时频图图像频率对称性
18	145.609 1	RCS

特征序号	特征重要性	特征含义
1	42.125 3	时域标准归一化方差
2	18.036 1	频域波形熵v=0.1
3	24.850 8	频域波形熵v=0.3
4	30.779 6	频域波形熵v=0.5
5	33.750 8	频域波形熵v=0.8
6	50.470 7	频域波形熵v=1
7	154.668 9	目标主体峰值与微动对应最大谱峰的比值
8	501.342 0	目标主体峰值与微动对应最大谱峰的间隔
9	59.677 5	去掉主体峰值前后的能量比
10	194.728 5	频域2阶中心矩
11	132.905 1	频域3阶中心矩
12	154.591 7	频域4阶中心矩
13	151.934 1	频域5阶中心矩
14	3.927 4	主体主瓣宽度
15	68.159 4	时频图图像Shannon熵
16	41.902 7	时频图图像熵
17	81.564 3	时频图图像频率对称性
18	145.609 1	RCS

32个脉冲		64个脉冲		128个脉冲		256个脉冲		512个脉冲
FIM	特征序号	FIM	特征序号	FIM	特征序号	FIM	特征序号	FIM	特征序号
224.118 3	7	230.829 5	18	248.467 1	10	267.222 6	8	403.983 6	8
222.249 0	18	190.745 7	13	215.906 1	8	192.399 1	10	218.238 4	10
205.919 4	10	182.284 9	12	164.802 9	18	192.329 3	18	159.821 7	7
169.744 1	9	175.279 7	10	154.924 1	11	157.761 9	11	156.297 0	11
160.739 9	11	144.756 8	1	149.353 3	12	141.738 8	13	148.381 5	18
158.538 2	12	142.476 0	11	134.772 5	13	141.733 0	12	143.726 3	13
140.882 8	13	122.970 2	15	119.957 6	1	103.606 9	7	124.395 1	12
91.665 02	6	104.828 2	16	113.187 2	15	100.048 0	17	74.055 89	9
80.817 11	14	102.803 7	7	106.106 8	17	94.694 34	15	69.861 61	17
79.154 2	1	92.584 02	17	101.731 6	16	84.807 69	1	67.192 69	15
74.041 87	5	84.874 82	9	69.969 7	9	84.622 35	9	67.016 17	6
51.741 46	15	62.837 01	6	66.934 75	7	71.293 49	16	52.558 49	1
50.756 88	4	56.779 08	8	57.342 37	6	59.178 1	6	48.899 35	16
43.971 38	8	56.776 13	5	53.594 87	5	56.413 42	4	46.954 37	5
43.866 9	16	48.057 06	4	52.392 84	4	54.026 07	5	43.536 91	4
39.289 24	17	38.656 04	3	41.805 67	3	47.242 89	3	35.701 08	3
30.006 83	3	33.758 21	2	33.340 8	2	33.853 47	2	24.771 79	2
23.496 18	2	19.877 15	14	6.359 301	14	8.033 193	14	5.510 798	14