• 中国科技核心期刊
  • JST收录期刊
  • Scopus收录期刊
  • DOAJ收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于随机森林的水下声自导武器尺度目标识别特征寻优

邓剑晶 石磊 王晨宇 刘礼文 杨向锋 杨云川

邓剑晶, 石磊, 王晨宇, 等. 基于随机森林的水下声自导武器尺度目标识别特征寻优[J]. 水下无人系统学报, 2024, 32(5): 839-845 doi: 10.11993/j.issn.2096-3920.2022-0081
引用本文: 邓剑晶, 石磊, 王晨宇, 等. 基于随机森林的水下声自导武器尺度目标识别特征寻优[J]. 水下无人系统学报, 2024, 32(5): 839-845 doi: 10.11993/j.issn.2096-3920.2022-0081
DENG Jianjing, SHI Lei, WANG Chenyu, LIU Liwen, YANG Xiangfeng, YANG Yunchuan. Feature Selection of Scale Target Recognition by Underwater Acoustic Homing Weapons Based on Random Forest[J]. Journal of Unmanned Undersea Systems, 2024, 32(5): 839-845. doi: 10.11993/j.issn.2096-3920.2022-0081
Citation: DENG Jianjing, SHI Lei, WANG Chenyu, LIU Liwen, YANG Xiangfeng, YANG Yunchuan. Feature Selection of Scale Target Recognition by Underwater Acoustic Homing Weapons Based on Random Forest[J]. Journal of Unmanned Undersea Systems, 2024, 32(5): 839-845. doi: 10.11993/j.issn.2096-3920.2022-0081

基于随机森林的水下声自导武器尺度目标识别特征寻优

doi: 10.11993/j.issn.2096-3920.2022-0081
详细信息
    作者简介:

    邓剑晶(1996-), 男, 工程师, 主要研究方向为鱼雷目标识别及反对抗技术研究

  • 中图分类号: TJ630; U666.75

Feature Selection of Scale Target Recognition by Underwater Acoustic Homing Weapons Based on Random Forest

  • 摘要: 水下声自导武器在进行水下尺度目标识别时, 通常需要从水下目标回波中提取不同维度特征, 并将其进行组合形成互补的特征集合以提高识别率。然而, 由于特征的应用场景不同, 将所有特征全部引入会导致特征集维度较高, 特征之间可能包含冗余信息, 导致识别难度增加。文中针对水下声自导武器主动识别问题中特征集维度高、需要进行选择的问题, 提出了一种基于随机森林的特征寻优算法。同时, 针对水下声自导武器主动回波数据量少且种类不平衡的问题, 在特征域采用合成少数类过采样技术。利用实航数据将文中方法选择的特征子集输入分类器进行测试, 结果表明, 该方法可获得较好的特征子集, 能够有效提高识别率。

     

  • 图  1  SMOTE算法示意图

    Figure  1.  Schematic diagram of SMOTE algorithm

    图  2  基于RF的特征寻优流程

    Figure  2.  Based on RF feature selection process

    图  3  目标识别流程

    Figure  3.  Flow chart of target recognition

    图  4  主动回波时域仿真图

    Figure  4.  Simulation diagram of active echo time-domain

    图  5  尺度声诱饵匹配滤波检测结果

    Figure  5.  Matched filter result of scale acoustic decoy

    图  6  潜艇匹配滤波检测结果

    Figure  6.  Matched filter result of submarine

    图  7  SMOTE过采样PCA降维可视化结果

    Figure  7.  SMOTE oversampling PCA dimensionality reduction visualization results

    图  8  特征重要度排序

    Figure  8.  Feature importance ranking

    图  9  基于KNN和SVM的识别精度

    Figure  9.  Recognition accuracy based on KNN and SVM

    图  10  基于KNN和SVM的F1值

    Figure  10.  F1 value based on KNN and SVM

    表  1  二分类混淆矩阵

    Table  1.   Two-class confusion matrix

    真实情况 预测结果
    正例 反例
    正例 $ TP $(真正例) $ FN $(假反例)
    反例 $ FP $(假正例) $ TN $(真反例)
    下载: 导出CSV

    表  2  KNN分类结果

    Table  2.   Classification results of KNN

    评价指标 原始数据集 扩容数据集 均值变化量
    ACC 0.965±0.023 0.975±0.018 0.010
    AUC 0.932±0.035 0.989±0.024 0.057
    F1 0.843±0.118 0.976±0.018 0.133
    下载: 导出CSV

    表  3  SVM分类结果

    Table  3.   Classification results of SVM

    评价指标 原始数据集 扩容数据集 均值变化量
    ACC 0.965±0.026 0.967±0.026 0.002
    AUC 0.941±0.041 0.999±0.001 0.058
    F1 0.848±0.128 0.963±0.028 0.115
    下载: 导出CSV

    表  4  基于KNN的ROC曲线下面积

    Table  4.   Area under ROC curve based on KNN

    特征数量均值标准差
    10.9 9910.0 001
    20.9 9860.0 021
    30.9 9800.0 002
    40.9 9630.0 032
    50.9 9620.0 031
    60.9 9880.0 011
    70.9 9380.0 037
    80.9 9330.0 035
    90.9 8860.0 164
    100.9 8980.0 170
    110.9 9110.0 172
    120.9 8870.0 167
    下载: 导出CSV

    表  5  基于SVM的ROC曲线下面积

    Table  5.   Area under ROC curve based on SVM

    特征数量均值标准差
    10.9 9590.0 040
    20.9 9540.0 042
    30.9 9510.0 048
    40.9 9530.0 045
    50.9 9930.0 006
    60.9 9960.0 002
    70.9 9950.0 001
    80.9 9970.0 002
    90.9 9970.0 002
    100.9 9970.0 001
    110.9 9980.0 001
    120.9 9980.0 001
    下载: 导出CSV
  • [1] 周德善, 李志舜, 朱邦元. 鱼雷自导技术[M]. 北京: 国防工业出版社, 2009.
    [2] 何心怡, 高贺, 陈菁, 等. 鱼雷真假目标识别技术现状与展望[J]. 鱼雷技术, 2016, 24(1): 23-27.

    HE X Y, GAO H, CHEN J, et al. Current situation and prospect on torpedo's true/false target identification technologies[J]. Journal of Unmanned Undersea Systems, 2016, 24(1): 23-27.
    [3] 石敏, 陈立纲, 蒋兴舟, 等. 具有亮点和方位延展特征的线列阵声诱饵研究[J]. 海军工程大学学报, 2005, 17(1): 58-62. doi: 10.3969/j.issn.1009-3486.2005.01.014
    [4] 徐枫, 严冰, 王海陆, 等. 水下声自导武器垂直目标亮点高分辨算法仿真与实验研究[J]. 水下无人系统学报, 2009, 17(6): 35-40.

    XU F, YAN B, WANG H L, et al. Simulation and experimental study of a high-resolution method for torpedo vertical highlights[J]. Journal of Unmanned Undersea Systems, 2009, 17(6): 35-40.
    [5] 胡桥, 郝保安, 吕林夏, 等. 基于组合支持向量机的水声目标智能识别研究[J]. 应用声学, 2009, 28(6): 421-430. doi: 10.3969/j.issn.1000-310X.2009.06.004

    HU Q, HAO B A, LÜ L X, et al. Intelligent underwater-acoustic-target recognition based on combination support vector machine[J]. Journal of Applied Acoustics, 2009, 28(6): 421-430. doi: 10.3969/j.issn.1000-310X.2009.06.004
    [6] ZHANG S, LI C, WANG K, et al. Improving recognition accuracy of partial discharge patterns by image oriented feature extraction and selection technique[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2016, 23(2): 1076-1087. doi: 10.1109/TDEI.2015.005226
    [7] Strobl C, Boulesteix A L, Kneib T, et al. Conditional variable importance for random forest[J]. BMC Bioinformatics, 2008, 9(1): 1-11. doi: 10.1186/1471-2105-9-1
    [8] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321-357 doi: 10.1613/jair.953
    [9] 王干军, 李锦舒, 吴毅江, 等. 基于随机森林的高压电缆局部放电特征寻优[J]. 电网技术, 2019, 43(4): 1329-1335.

    WANG G J, LI J S, WU Y J, et al. Random forest based feature selection for partial discharge recognition of HV cables[J]. Power System Technology, 2019, 43(4): 1329-1335.
    [10] O’BRIEN, ROBRET, ISHWARAN H. A random forests quantile classifier for class imbalanced data[J]. Pattern Recognition, 2019, 90: 232-249. doi: 10.1016/j.patcog.2019.01.036
    [11] Bader-El-Den M, TEITEI E, PERRY T. Biased random forest for dealing with the class imbalance problem[J]. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(7): 2163-2172.
    [12] Hasan M A M, Nasser M, Ahmad S, et al. Feature selection for intrusion detection using random forest[J]. Journal of Information Security, 2016, 7(3): 129-140. doi: 10.4236/jis.2016.73009
  • 加载中
图(10) / 表(5)
计量
  • 文章访问数:  107
  • HTML全文浏览量:  82
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-29
  • 修回日期:  2023-05-29
  • 录用日期:  2023-06-12
  • 网络出版日期:  2024-09-03

目录

    /

    返回文章
    返回
    服务号
    订阅号