基于模式与智能系统技术

前言：本站为你精心整理了基于模式与智能系统技术范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

摘要：随着科学技术的不断发展，现代战争中战场信息获取的重要性日渐凸显，这就使得识别各类发射器类型开始日渐受到各国关注，为此文章基于模式识别与智能系统技术的发射器类型识别方法展开了具体研究，希望这一研究中所应用的拆分规则及剪枝算法能够为相关研究人员带来一定启发。关键词：模式识别；发射器；智能系统技术

1决策树构造原理

1.1拆分规则

对于决策树的构造来说，拆分规则是用来确定每个节点上应该使用哪个变量，而确定哪些变量的组合把样本分成若干子群同样属于拆分规则的作用。在拆分规则的具体应用中，我们首先需要确定对变量取什么阀值，这一阀值的获取需要首先进行各拆分的设定，图1为简单的分类树样图，结合该图我们不难发现，该图对的阀值为（a，b，c，d），而（x1、x2、x3、x4）是其各特征变量，而由此给分类树得以实现（w1、w2、w3）的不同类划分。值得注意的是对于阀值获取中的各拆分设定来说，我们需要将x∈Rp这一向量包括在坐标条件上[1]。图1分类树样图结合这一分类树样图，我们就需要应用L{（xiyi），i=1，...，n}这一带有标签的训练集进行分类树的具体构建，而在这一构建的分类树中，x1与y1分别为数据样本与相应的类别标签。令N（t）为L中xi∈u（t）的样本数，Nj（t）为xi∈u（t）且yi=ωj（ΣjNj（t）=N（t））的样本数，定义p（t）=N（t）n为p（x∈u（t））基于L的估计；p（ωj|t）=Nj（t）N（t）为P（y=ωj|x∈u（t））基于L的估计[2]。结合上文内容，我们可以就u（t）这一节点t上的上子空间进行拆分，而为了较好保证这一拆分的品质，我们就需要对反映不纯度函数的变化进行度量，这一度量过程需要实现不纯度函数最大化下降，而这一最大化下降的实现就需要得到△Γ（sp，t）艿Γ（t）-（Γ（tL）pL+Γ（tR）pL）的支持，而这本身就属于所有拆分sp的选择。结合△Γ（sp，t）艿Γ（t）-（Γ（tL）pL+Γ（tR）pL），我们需要应用吉尼不纯度准则，这样才能够顺利实现对多种形式Γ（t）的针对，Γ（t）=i=jΣp（ωi|t）p（ωj|t）就是这一吉尼不纯度准则应用的结果。应用这一吉尼不纯度准则结果进行CART的训练，我们就能够组成单个变量阀值，即sp={x，xk燮b}，这其中的k=（1，...，p），b则在实数范围取值。考虑到要考察拆分数量的限制必要，我们需要限制b只能取一个有限值，而为了避免过量计算，在具体的分类树节点拆分中，我们需要应用剪枝算法结束这种节点拆分。1.2剪枝算法所谓剪枝算法，其本身首先需要形成1棵终止节点具有纯的类别成员的树，这样才能够具体进行剪枝算法的应用。

在具体的剪枝算法应用中，我们首先需要进行R（t）的定义，这一定义需要将R（t）定义为给定树T每个节点t相关节的实数。若t为终止节点，t∈T軒，M（t）为u（t）中不属于与该终止节点相关类别的样本数，而n则为数据点总数。对于实数α来说，令Rα（t）=R（t）+α，规定R（t）=t∈T軌ΣR（t），Rα（T）=t∈T軌ΣRα（t）=R（t）+α。分类中，R（t）是估计错分率，T軒为表示集合T軒的基数，α为常数，Rα（t）为分类树的估计错分率复杂度[3]。在具体的CART剪枝算法应用中，我们就可以令R（t）=r（t）p（t），这里的r（t）本身指的是错分概率的重新替代估计，而结合样本r（t）=1-maxωjp（ωj|t），给定落入节点t就能够得到较好支持。如果这里的t本身为终止节点，那么R（t）便是指代该节点对总错误的影响。这里我们将Tt用于便是子树，我们就可以对子树与节点t对复杂度代价的影响进行深入分析，结合公式α=R（t）-R（Tt）Nd（t）-1，以及最后定义的g（t）=R（t）-R（Tt）Nd（t）-1，笔者提出了图2所示的原始树举例。值得注意的是，g（t）=R（t）-R（Tt）Nd（t）-1公式为t连接强度的测度。图2原始树结合图2所示的原始树，我们可以通过不断进行子树具有最小g（t）值节点的寻找，最后较好发现跟节点，这样我们就可以应用Tk表示第k步得到的树，也能够通过R（Tk）表示最小的子树。

2智能系统框架设计

（1）目标获取：对于智能系统框架设计中的目标获取环节来说，这一环节需要应用雷达等设备获取具体的目标电子特征信号，这样才能够为后续的智能系统框架设计提供有力支持。

（2）目标转换：在获取目标电子特征信号的频率、脉冲重复周期和脉冲宽度后，我们就需要对获取的这类信息进行目标转换，这一目标转化也可以被称为原始信号的预处理。在具体的目标转换过程中，我们需要将目标电子特征信号的频率、脉冲重复周期和脉冲宽度进行放大、整形、滤波以及A/D转换。

（3）转换后数字信号的处理：在将目标电子特征信号的相关组成进行放大、整形、滤波以及A/D转换后，我们就可以将转换取得的数字信号送入PC中，结合上文研究中设计好的分类树模块进行具体的分类运算，转换取得的数字信号由此实现智能分类。

（4）信号传输：在完成通过终端显示结果后，我们还需要对取得的结果进行信号传输，这一信号传输主要是通过网络化手段实现战场前沿信息与后方的实时共享，这对于我军战斗力的提升将带来较为积极的影响。

3结束语

在本文基于模式识别与智能系统技术的发射器类型识别方法展开的研究中，笔者详细论述了决策树构造原理、智能系统框架设计，而结合这一系列论述我们就能够较为深入地了解利用分类树原理的发射器类型识别的方法，而这种方法具备的清楚鉴别与每个雷达相关的特征空间区域特征，也使得其本身能够较好服务于我军战斗力的提升。

参考文献:

[1]廖雯竹，潘尔顺，王莹，等.统计模式识别和自回归滑动平均模型在设备剩余寿命预测中的应用[J].上海交通大学学报，2011（7）：1000-1005.

[2]高海波，徐永红，洪文学，等.基于多元数据图表示的广义统计模式识别[J].微计算机信息，2009（7）：267-269.

[3]范会敏，王浩.模式识别方法概述[J].电子设计工程，2012（19）：48-51.

作者：胡建超 单位：桂林聚联科技有限公司