13、无线传感器网络中模式分类的特征选择与排序

无线传感器网络中模式分类的特征选择与排序

1. 引言

在模式识别领域，减少分类器使用的特征数量并不一定会导致识别率下降，并且有很多特征选择和特征集缩减的方法。不过，这些方法的主要目标通常是通过消除冗余、有噪声或无关的特征来提高系统的识别性能。与之不同的是，我们减少特征数量的目的是最小化传感器的能耗，从而延长系统的使用寿命，同时保持一定的分类准确率。我们并不期望通过减少特征数量来获得更高的识别性能，而是致力于延长分类器的使用寿命。

2. 一般方法

我们采用统计模式识别的传统表示方法，假设一个模式 $x$ 由一个 $N$ 维的特征向量表示，即 $x = (x_1, \ldots, x_N)$，其中 $x_i$ 是第 $i$ 个特征的值。设 $S = {s_1, \ldots, s_N}$ 是可用传感器的集合，每个传感器 $s_i$ 恰好测量一个特定的特征 $f(s_i) = x_i$ 供分类器使用。因此，分类器可能可用的最大特征集是 ${x_1, \ldots, x_N}$。此外，设 $\phi : S \to R$ 是一个为每个特征 $f(s_i) = x_i$ 分配效用值 $\phi(x_i)$ 的函数。具体的效用函数示例将在后续介绍。目前，我们假设特征 $x_i$ 的效用与其区分未知对象可能所属的不同类别的能力成正比。如果特征 $x_i$ 比特征 $x_j$ 能更好地区分所考虑的类别，那么 $\phi(x_i) > \phi(x_j)$；如果两个特征的区分能力相同，则 $\phi(x_i) = \phi(x_j)$。

以下是提出的对象分类算法的基本结构：

1: