[发明专利]一种无监督式的传感器阵列干扰特征去除方法

权利要求书

1.一种无监督式的传感器阵列干扰特征去除方法，其特征在于，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，从多种传感器阵列特征提取方法中选择识别性能高的若干种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＝[x_i，j]_p×n，其中，p代表特征维度数目，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，计算经标准化后的初始特征数据集X中每一维特征的重要程度F_j，然后根据计算得到的每一维特征的重要程度F_j，按照降序对标准化后的初始特征进行排序，得到特征列表L₁，L₁(i)表示特征列表L₁中的第i个特征；

D：基于特征列表L₁，通过计算特征间的相关性去掉相关性的绝对值低于所设定阈值的特征，得到最终的特征列表L₂，最终的特征列表L₂中的s个特征即为使用所述方法进行干扰特征去除后，所得到的未被严重干扰的特征；

所述的步骤A中，某种传感器阵列特征提取方法的识别性能按照单独使用该特征提取方法下，传感器阵列的识别精度来评价；

所述的识别精度按照多次随机划分数据集下的测试集平均识别率计算；

所述的步骤C包含以下具体步骤：

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，得到标准化后的初始特征数据集

其中，x_i，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，i，j为矩阵中的第i行和第j列，μ_i是第i维初始特征均值，σ_i是第i维初始特征标准差；

C3：对标准化后的初始特征数据集做PCA变换，变换过程用公式(2)表示

其中，A＝(a_i，j)是变换系数矩阵，p代表特征维度数目，n代表样本个数，(a_i，j)是变换系数矩阵A中第i行第j列的元素，Y是变换后在变换空间中的数据；变换系数矩阵A的第i行a_i，为矩阵的协方差矩阵第i个最大特征值λ_i所对应的特征向量，也是变换空间的第i个维度方向；

C4：去掉特征值λ_i≤1所对应的维度方向后得到新的变换系数矩阵B_t×p＝(b_i，j)，其中b_i，j为变换系数矩阵B中第i行第j列的元素，t代表去掉特征值λ_i≤1所对应的维度方向后剩余的特征维度，p代表特征维度；

按照评分公式(3)和公式(4)，对中每一维特征的重要程度F_j进行计算：

其中，下角标j表示中第j维特征，P_i是变换空间内第i个特征维度的重要性，λ_i是第i个维度方向对应的特征值；b_i，j是第i个维度方向b_i的第j维分量，|b_ij|^r是新的变换系数矩阵B中第i行第j列元素的绝对值的r次幂，||b_i||^r是新的变换系数矩阵B的第i行的r阶范数；

C5：根据计算得到的标准化后的初始特征数据集中的特征的重要程度F_j，经由大到小排序，得到特征列表L₁；

所述的相关性的计算采用皮尔森相关系数；

所述的步骤D包含以下具体步骤：

D1：新建并初始化一个特征列表L₂，令L₂(1)＝L₁(1)；对特征列表L₁中的第2个特征及往后所有的特征分别进行考察，分别计算特征列表L₁中每个特征与特征列表L₂中每个特征的相关性，相关性通过皮尔森相关系数R来表示，L₂(i)表示特征列表L₂中的第i个特征；

D2：如果特征列表中L₁中的第i个特征L₁(i)与特征列表L₂中的某个特征的皮尔森相关系数R的绝对值低于所设定的阈值TH_R，则认为该特征L₁(i)是受到干扰的特征，然后继续考察特征列表L₁中的下一个特征；如果特征列表中L₁中的第i个特征L₁(i)与特征列表L₂中的所有特征的皮尔森相关系数R的绝对值均高于阈值TH_R，则把特征列表中L₁中的第i个特征L₁(i)放置到特征列表L₂中的最后一个特征，并更新特征列表L₂ ；TH_R的取值范围为(0，0.4]；

按照上述方法依次考察特征列表L₁中的第二个特征L₁(2)到最后一个特征L₁(p)，得到最终的特征列表L₂，令s表示最终的特征列表L₂所含有的特征数目；最终的特征列表L₂中的s个特征即为使用所述方法进行干扰特征去除后，所得到的未被严重干扰的特征。

2.根据权利要求1所述的无监督式的传感器阵列干扰特征去除方法，其特征在于：所述的皮尔森相关系数的计算公式为：

其中，R是皮尔森相关系数，Cov(ξ，ζ)表示两个特征ξ和ζ的协方差，σ_ξ和σ_ζ分别表示两个特征ξ和ζ的标准差。