基于主成分分析的特征选择用于深度学习水下源定位
声音
2020-11-26 v1 信号处理
大气与海洋物理
摘要
本文提出一种基于主成分分析（PCA）与主成分回归（PCR）的可解释特征选择方法，其仅引入源位置而无需其他先验信息，即可提取用于水下源定位的重要特征。该特征选择方法与基于半监督学习方案的水下源定位两步框架相结合。框架中，第一步利用卷积自编码器从整个可用数据集中提取潜特征；第二步通过仅在有限标注数据部分上训练的编码器多层感知机（MLP）执行源定位。所提方法已在公开数据集 SwllEx-96 Event S5 上验证。结果表明该框架在未见数据上具有令人满意的精度与鲁棒性，尤其在用于训练的数据量逐渐减少时。特征选择后，不仅训练阶段加速了 95%，且当用于训练的标注数据量极有限时，框架在深度上更鲁棒、精度更高。
引用
@article{arxiv.2011.12754,
title = {Feature Selection based on Principal Component Analysis for Underwater Source Localization by Deep Learning},
author = {Xiaoyu Zhu and Hefeng Dong and Pierluigi Salvo Rossi and Martin Landrø},
journal= {arXiv preprint arXiv:2011.12754},
year = {2020}
}