前言：本站為你精心整理了基于模式與智能系統技術范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：隨著科學技術的不斷發展，現代戰爭中戰場信息獲取的重要性日漸凸顯，這就使得識別各類發射器類型開始日漸受到各國關注，為此文章基于模式識別與智能系統技術的發射器類型識別方法展開了具體研究，希望這一研究中所應用的拆分規則及剪枝算法能夠為相關研究人員帶來一定啟發。關鍵詞：模式識別；發射器；智能系統技術

1決策樹構造原理

1.1拆分規則

對于決策樹的構造來說，拆分規則是用來確定每個節點上應該使用哪個變量，而確定哪些變量的組合把樣本分成若干子群同樣屬于拆分規則的作用。在拆分規則的具體應用中，我們首先需要確定對變量取什么閥值，這一閥值的獲取需要首先進行各拆分的設定，圖1為簡單的分類樹樣圖，結合該圖我們不難發現，該圖對的閥值為（a，b，c，d），而（x1、x2、x3、x4）是其各特征變量，而由此給分類樹得以實現（w1、w2、w3）的不同類劃分。值得注意的是對于閥值獲取中的各拆分設定來說，我們需要將x∈Rp這一向量包括在坐標條件上[1]。圖1分類樹樣圖結合這一分類樹樣圖，我們就需要應用L{（xiyi），i=1，...，n}這一帶有標簽的訓練集進行分類樹的具體構建，而在這一構建的分類樹中，x1與y1分別為數據樣本與相應的類別標簽。令N（t）為L中xi∈u（t）的樣本數，Nj（t）為xi∈u（t）且yi=ωj（ΣjNj（t）=N（t））的樣本數，定義p（t）=N（t）n為p（x∈u（t））基于L的估計；p（ωj|t）=Nj（t）N（t）為P（y=ωj|x∈u（t））基于L的估計[2]。結合上文內容，我們可以就u（t）這一節點t上的上子空間進行拆分，而為了較好保證這一拆分的品質，我們就需要對反映不純度函數的變化進行度量，這一度量過程需要實現不純度函數最大化下降，而這一最大化下降的實現就需要得到△Γ（sp，t）艿Γ（t）-（Γ（tL）pL+Γ（tR）pL）的支持，而這本身就屬于所有拆分sp的選擇。結合△Γ（sp，t）艿Γ（t）-（Γ（tL）pL+Γ（tR）pL），我們需要應用吉尼不純度準則，這樣才能夠順利實現對多種形式Γ（t）的針對，Γ（t）=i=jΣp（ωi|t）p（ωj|t）就是這一吉尼不純度準則應用的結果。應用這一吉尼不純度準則結果進行CART的訓練，我們就能夠組成單個變量閥值，即sp={x，xk燮b}，這其中的k=（1，...，p），b則在實數范圍取值。考慮到要考察拆分數量的限制必要，我們需要限制b只能取一個有限值，而為了避免過量計算，在具體的分類樹節點拆分中，我們需要應用剪枝算法結束這種節點拆分。1.2剪枝算法所謂剪枝算法，其本身首先需要形成1棵終止節點具有純的類別成員的樹，這樣才能夠具體進行剪枝算法的應用。

在具體的剪枝算法應用中，我們首先需要進行R（t）的定義，這一定義需要將R（t）定義為給定樹T每個節點t相關節的實數。若t為終止節點，t∈T軒，M（t）為u（t）中不屬于與該終止節點相關類別的樣本數，而n則為數據點總數。對于實數α來說，令Rα（t）=R（t）+α，規定R（t）=t∈T軌ΣR（t），Rα（T）=t∈T軌ΣRα（t）=R（t）+α。分類中，R（t）是估計錯分率，T軒為表示集合T軒的基數，α為常數，Rα（t）為分類樹的估計錯分率復雜度[3]。在具體的CART剪枝算法應用中，我們就可以令R（t）=r（t）p（t），這里的r（t）本身指的是錯分概率的重新替代估計，而結合樣本r（t）=1-maxωjp（ωj|t），給定落入節點t就能夠得到較好支持。如果這里的t本身為終止節點，那么R（t）便是指代該節點對總錯誤的影響。這里我們將Tt用于便是子樹，我們就可以對子樹與節點t對復雜度代價的影響進行深入分析，結合公式α=R（t）-R（Tt）Nd（t）-1，以及最后定義的g（t）=R（t）-R（Tt）Nd（t）-1，筆者提出了圖2所示的原始樹舉例。值得注意的是，g（t）=R（t）-R（Tt）Nd（t）-1公式為t連接強度的測度。圖2原始樹結合圖2所示的原始樹，我們可以通過不斷進行子樹具有最小g（t）值節點的尋找，最后較好發現跟節點，這樣我們就可以應用Tk表示第k步得到的樹，也能夠通過R（Tk）表示最小的子樹。

2智能系統框架設計

（1）目標獲取：對于智能系統框架設計中的目標獲取環節來說，這一環節需要應用雷達等設備獲取具體的目標電子特征信號，這樣才能夠為后續的智能系統框架設計提供有力支持。

（2）目標轉換：在獲取目標電子特征信號的頻率、脈沖重復周期和脈沖寬度后，我們就需要對獲取的這類信息進行目標轉換，這一目標轉化也可以被稱為原始信號的預處理。在具體的目標轉換過程中，我們需要將目標電子特征信號的頻率、脈沖重復周期和脈沖寬度進行放大、整形、濾波以及A/D轉換。

（3）轉換后數字信號的處理：在將目標電子特征信號的相關組成進行放大、整形、濾波以及A/D轉換后，我們就可以將轉換取得的數字信號送入PC中，結合上文研究中設計好的分類樹模塊進行具體的分類運算，轉換取得的數字信號由此實現智能分類。

（4）信號傳輸：在完成通過終端顯示結果后，我們還需要對取得的結果進行信號傳輸，這一信號傳輸主要是通過網絡化手段實現戰場前沿信息與后方的實時共享，這對于我軍戰斗力的提升將帶來較為積極的影響。

3結束語

在本文基于模式識別與智能系統技術的發射器類型識別方法展開的研究中，筆者詳細論述了決策樹構造原理、智能系統框架設計，而結合這一系列論述我們就能夠較為深入地了解利用分類樹原理的發射器類型識別的方法，而這種方法具備的清楚鑒別與每個雷達相關的特征空間區域特征，也使得其本身能夠較好服務于我軍戰斗力的提升。

參考文獻:

[1]廖雯竹，潘爾順，王瑩，等.統計模式識別和自回歸滑動平均模型在設備剩余壽命預測中的應用[J].上海交通大學學報，2011（7）：1000-1005.

[2]高海波，徐永紅，洪文學，等.基于多元數據圖表示的廣義統計模式識別[J].微計算機信息，2009（7）：267-269.

[3]范會敏，王浩.模式識別方法概述[J].電子設計工程，2012（19）：48-51.

作者：胡建超 單位：桂林聚聯科技有限公司