特征评价和选择

文献[1] HAN J, HE M, TANG Z, et al. Estimating in-pulse characteristics of radar signal based on multi-index[J]. Chinese Journal of Electronics, 2011, 20(1): 187-191.

该文指出，随着雷达信号环境日益复杂，传统的五参数很难给出满意的分选识别结果，而引入脉内特征参数能获得很好的效果，但是几乎所有的文献只采用分选识别“准确率”这一评价标准来估计某个脉内特征的性能。文中指出，并不能单纯的用准确率来评价一个特征参数的。如：在战场上，要求对分选识别具有实时性，所以“处理速度”就成为一个更重要的指标。该文提出了评价脉内特征的三个指标：时间复杂度、可分性、稳定性。将这三个参数量化为不同等级，为不同的应用要求选择最优的特征参数。

文献[2] 吴思东, 朱明, 付克昌. 基于多元集对分析的辐射源信号熵特征评价[J]. 电路与系统学报, 2013, 18(2): 298-304.

摘要：针对雷达辐射源信号新特征选取问题，提出基于多元集对分析的熵特征评价方法。根据雷达辐射源信号香农熵、近似熵和范数熵特征的识别率、稳定性、灵敏性、时间复杂度和适用范围设计评价指标，采用多元集对分析对指标体系评价。仿真实验结果表明，多元集对分析能适应对不同属性重要度的要求，实现对雷达辐射源信号熵特征的评价，对雷达辐射源信号新特征选取有一定指导作用。

该文提利用三种熵特征（香农熵ShannonEntropy，ShEn、近似熵Approximate Entropy，ApEn、范数熵Norm Entropy，NoEn）提取方法，得到不同熵特征提取算法下的信号正确识别率、灵敏性、稳定性、复杂性以及适用范围这五类属性，然后基于多元集对分析对ShEn、ApEn 和NoEn 三种算法进行评优。

文献[3] 张伟. 雷达信号分选性能评价指标分析[J]. 电子科技, 2015, 3: 031.(西电)

摘要：提出了基于PRI的雷达信号分选性能评价指标定义，并根据基于PRI分选原理建立了性能指标模型，仿真了射频目标特征变化对基于PRI的雷达信号分选性能的影响。通过仿真分析，可以看出在理想的分选条件下，当随机噪声方差一定时，随着不同类信号的PRI 差值增大，正确分选率随之增大，误分选率随之降低。漏分选率与随机噪声的方差有关，且随机噪声方差越大，漏分选率越小。

伴随着雷达信号电磁环境的日益复杂，越来越多的算法应用到实现分选的过程，如：传统的统计直方图、基于脉内特征的分选算法、基于聚类分选算法等，但是如何评价这些分选算法的性能没有定论。该文首先给出了雷达信号分选性能评价指标的定义，作者认为雷达信号分选性能的评价指标为正确分选率、错误分选率、漏分选率三个指标。研究了射频目标特征对基于PRI的雷达信号分选性能（正确分选率、错误分选率、漏分选率）的影响。

文献[4] 王成, 刘亚峰, 王新成, 等. 分类器的分类性能评价指标[J]. 电子设计工程, 2011, 19(8): 13-15.

摘要：通过具体应用实例，指出目前普遍使用的正确率和错误率评价指标在不平衡数据集、语义相关多分、不同错分代价等分类问题中评价分类器性能时存在的缺陷。为了解决这一问题，根据具体问题的不同，提出了综合使用查准率、查全率、漏检率、误检率、F-measure 和分类代价矩阵、损失函数等新的分类器性能评价指标。通过实验证明，新的分类评价指标确实能很好的适应不平衡数据集、语义相关多分、不同错分代价等分类问题的分类器性能评价。

该文主张根据具体问题的不同，综合使用查准率、查全率、漏检率、误检率、F-measure 和分类代价矩阵、损失函数等新的分类器分类评价指标。

文献[5]冯德军. 弹道中段目标雷达识别与评估研究[D][J]. 博士论文, 长沙: 国防科技大学研究生院, 2006.

该博士论文对射频目标特性和识别方法进行评估，采用了两种方法：基于置信度的评估方法和基于ROC曲线的评估方法。

在模式识别系统中，特征评估是一件基础性的工作。特征评估有以下作用。首先，了解各类模式的结构特性，例如它们在模式空间中的散布及聚类特性等。了解各类模式间的结构性差异及其程度，这种结构性差异的存在及其程度的高低，是决定各类模式能否有效地加以区分以及识别系统的复杂程度的内在基础。其次，分析对原模式数据进行适当变换的可能性及其效果。由于雷达获取的数据一般为高维数据，若能将一个高维空间中的识别问题变换到一个低维空间进行，将会极大地增强识别系统的实时性和可实现性。这有助于降低识别系统的复杂度,降低模板库的容量，减少计算量。最后，通过特征评估可以选择适当的分类方法，使分类的复杂度与待识别的问题相匹配。例如，采用线性树分类,方法,确定二叉树的规模和结构采用多特征综合识别方法，确定各个特征的有效程度及其权值大小等。

另外，在当前的雷达目标识别中，各种特征提取方法层出不穷，显然在实际识别系统中无法一一采用，而且也没有这个必要，为科学、定量地比较特征之间的差异、构造最优的识别系统，必须进行特征评估。

该文主要讨论了两种评价标准：基于距离和基于模糊理论的特征可分性评估。基于距离的评价标准便于分析和计算，而且十分直观：特征向量之间的距离是它们相似性的一种很好度量，同一类别的样本在特征空间上应当聚集在一起，而不同类别的样本应离得较远。糊数学的发展为特征评估提供了一种新的手段,它是通过衡量模糊集的模糊程度来评价所采用的特征对于分类的性能表现，也就是采用这些特征将不同类别分开的难易程度。

由于雷达能获取反映目标属性的多个特征，多特征综合将有利于改善识别系统的性能。所以文中提出多特征线性集成评估的方法。

文献[6] 许学, 张玉平, 陈建. 基于小子样Bootstrap 法的雷达辐射源特征分选稳定性分析[J]. 成都电子机械高等专科学校学报, 2011, 14(2): 9-12.

摘要：雷达辐射源的分选识别算法通常是以正确分选率或识别率为重要指标，但该指标通常是一个点估计值，无法反映系统识别的稳定性和估计精度。本文利用小子样Bootstrap 法在有限的实验样本的基础上进行区间估计，并提出了一个特征分选识别率的稳定性判定因子，通过该因子能够量化系统识别率的稳定性。

BootStrap法是美国斯坦福大学教授Efron．B于1979年提出的一种再抽样统计方法。此方法仅依赖所给定的样本观测信息，而不需要其他的假设信息。它以少量的样本统计估计来模拟大样本统计量的估计。该方法是一种基于计算机的统计分析方法，能充分利用样本自身的信息，不考虑先验信息，通过对样本或观测数据重复再抽样，得到对未知总体的参数的近似分布。使用该方法在样本数比较小的情况下相比传统方法有更短的置信区间。

文献[7] 陈昌孝, 何明浩, 徐璟, 等. 一种新的雷达辐射源信号脉内特征参数选择方法[J]. 空军预警学院学报, 2014, 28(4): 235-238.