[发明专利]一种基于简化深度森林的电子信息系统试验数据预测方法

说明书

本发明公开了一种基于简化深度森林的电子信息系统试验数据预测方法，本发明基于电子信息系统性能评估试验中试验因子间不存在邻域特征的特点，对深度森林进行简化，利用深度森林中级联森林良好的特征提取能力以及样本量适应能力，提高电子信息系统试验数据预测性能，本发明提供的基于简化深度森林的电子信息系统试验数据预测方法能够有效提高试验数据预测准确率，而且具有更好的样本量适应能力。

技术领域

本发明涉及实验数据处理技术领域，具体为一种基于简化深度森林的电子信息系统试验数据预测方法。

背景技术

信息时代，电子信息系统已经成为社会发展以及国防军队建设的重要组成部分，在军用和民用领域有着无可替代的重要作用。然而，随着电子信息系统的飞速发展和广泛应用导致电磁信息系统正常工作所依赖的电磁环境日益复杂，因此对复杂电磁环境下电子信息系统性能进行分析评估具有重要的意义和价值。电子信息系统性能评估需要通过合理地设计试验方案，构建相应的试验环境，开展试验并利用各种测量设备和录取设备获取必要的数据，然后对所得的数据进行处理和分析，进而对被试雷达系统的性能做出评价，为其设计定型、生产及使用提供决策依据。由于复杂电磁环境下电子信息系统性能评估试验具有样本空间大、试验成本高等特点，无论是内场仿真试验还是外场实装实验，均只能开展部分电磁环境下性能评估试验，获取的试验数据具有不完备性，难以反映系统的全面性能，因此需要对试验数据进行处理分析，建立雷达试验数据预测模型，实现未试验条件下试验响应的预测。

电子信息系统性能评估试验中试验响应指标多为连续变量，建立试验数据预测模型为数据挖掘中的回归问题，机器学习中的线性/非线性回归、支持向量机等一系列有监督学习方法均可用于解决此类问题。然而由于系统性能评估试验数据具有定性和定量因子混合、响应与因子间映射关系复杂非线性等特点，常用的线性或多项式回归分析通常存在模型失配、预测准确率较低的问题。实际上，在系统性能评估试验中，通常可根据系统的实际使用情况以及用途将试验响应划分为不同的等级或类别，来反映系统在复杂电磁环境下的适应性，此时试验数据预测可建模为分类问题，可利用机器学习中的分类方法可解决，但是机器学习方法存在效果较低的问题。

近年来，随着深度学习的迅速发展，各种深度学习模型如深度置信网络、深度卷积神经网络、深度递归神经网络以及深度森林等层出不穷，因其强大的特征自动提取和抽象能力、复杂映射关系学习能力等，在图像分类、目标检测、文本分类、语音识别等领域得到了广泛的应用，取得经典机器学习无法比拟的效，但是目前深度学习还很少应用到电子信息系统试验数据预测领域。

发明内容

本发明的目的在于提供一种基于简化深度森林的电子信息系统试验数据预测方法，以解决上述背景技术中提出的系统性能评估试验中未试验条件下试验数据预测问题。

为实现上述目的，本发明提供如下技术方案：一种基于简化深度森林的电子信息系统试验数据预测方法，其特征在于：所述基于简化深度森林的电子信息系统试验数据预测方法具体操作步骤如下：

S1：开展电子信息系统性能评估试验，采集试验数据(试验数据由试验因子和试验响应组成)，对试验数据集中试验因子进行预处理；

S2：将试验数据集中试验响应划分为不同的等级，并用不同的标签表示；

S3：将试验数据按照特定比例随机划分得到训练数据集(数据量为K₁)和测试数据集(数据量为K₂)；

S4：构建并训练仅包含级联森林的简化深度森林模型；

S5：将测试集中的试验因子作为简化深度森林模型的输入，利用S4得到的简化深度森林模型进行预测，计算最后一层所有森林输出的均值向量，并以向量中最大值对应的序号为测试集的预测结果。

优选的，所述S1对试验数据中的试验因子进行预处理的过程包括以下步骤：