艦艇對空中來襲目標(biāo)意圖的預(yù)判方法

趙捍東，馬焱，，張瑋，張磊，李營，李旭東，

1中北大學(xué)機(jī)電工程學(xué)院，山西太原030051

2海軍研究院，北京100073

0 引 言

判斷空中目標(biāo)的戰(zhàn)術(shù)意圖是艦艇對空作戰(zhàn)的重要任務(wù)之一，是艦艇指揮員正確進(jìn)行對空戰(zhàn)指揮決策的前提條件［1］?？罩心繕?biāo)攻擊意圖預(yù)判模型是艦艇威脅評估模型的組成部分。對于水面艦艇編隊而言，面對空中多個來襲目標(biāo)，急需在短時間內(nèi)正確預(yù)判其來襲意圖，并采取相應(yīng)的反擊或防護(hù)措施。

空中來襲目標(biāo)意圖預(yù)判實質(zhì)是已知屬性類別的分類問題，也是典型的模糊不確定問題。王昊冉等［2］應(yīng)用多實體貝葉斯網(wǎng)絡(luò)描述軍事領(lǐng)域知識，然后構(gòu)建了態(tài)勢明確的貝葉斯網(wǎng)絡(luò)模型動態(tài)地進(jìn)行空中目標(biāo)意圖識別，但多實體貝葉斯網(wǎng)絡(luò)需要大量主觀知識，并且對于復(fù)雜問題，難以描述不確定對象的不確定關(guān)系。伍之前等［3］提出了基于直覺模糊產(chǎn)生式規(guī)則推理和多屬性決策的空中目標(biāo)攻擊意圖判斷模型，但基于知識推理的方法需要有大量的知識儲備，其計算量巨大，難以滿足時效性要求。

機(jī)器學(xué)習(xí)方法是人工智能方法中的重要組成部分，它可以將現(xiàn)實復(fù)雜問題看成一個“黑箱”模型，利用以前的經(jīng)驗或歷史數(shù)據(jù)，建立起復(fù)雜問題的模糊關(guān)系系統(tǒng)。為解決類似于空中來襲目標(biāo)意圖預(yù)判這種識別、分類問題，學(xué)者們提出了Skohonen神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、學(xué)習(xí)矢量化（LVQ）神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹等機(jī)器學(xué)習(xí)方法。紀(jì)野等［4］利用已有車型數(shù)據(jù)庫，使用Skohonen神經(jīng)網(wǎng)絡(luò)對車型尺寸特征進(jìn)行了分類，實驗結(jié)果表明，Skohonen神經(jīng)網(wǎng)絡(luò)的分類方法具有較高的車型識別精度。郭欣等［5］將Kohonen和Skohonen神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了大腿截肢者殘肢側(cè)的步態(tài)識別中，結(jié)果表明Skohonen神經(jīng)網(wǎng)絡(luò)算法平均識別率較高。裘日輝等［6］通過優(yōu)化訓(xùn)練策略，利用單分類思想對極限學(xué)習(xí)機(jī)算法進(jìn)行優(yōu)化改進(jìn)，將極限學(xué)習(xí)機(jī)優(yōu)化分類算法應(yīng)用于工業(yè)Tennessee Eastman（TE）過程的故障識別中，結(jié)果表明，極限學(xué)習(xí)機(jī)優(yōu)化分類算法具有極快的訓(xùn)練速度，分類準(zhǔn)確率較高。王路等［7］提取了葉片的幾何特征和紋理特征，然后應(yīng)用LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行植物種類的識別，該方法對植物種類的識別效率較高。鄧生雄等［8-9］提出使用隨機(jī)森林分類模型對雷達(dá)高分辨率距離像進(jìn)行目標(biāo)識別，結(jié)果表明隨機(jī)森林的識別性能和計算效率較高。這些機(jī)器學(xué)習(xí)方法都有較好的性能，但需要有一定數(shù)量的訓(xùn)練樣本。為減小獲取訓(xùn)練集的前期成本，實際問題中的訓(xùn)練樣本往往較小。為能對空中來襲目標(biāo)意圖做出高效的預(yù)判，針對這一小訓(xùn)練樣本問題，本文擬采用集成學(xué)習(xí)的思想，綜合幾種不同的機(jī)器學(xué)習(xí)方法，通過對小樣本的訓(xùn)練，得到較高精度的分類效果。

集成學(xué)習(xí)因其能顯著提高一個學(xué)習(xí)系統(tǒng)的泛化能力而受到廣泛關(guān)注。其中，最經(jīng)典的是AdaBoost算法和Boosting算法?；贏daBoost算法技巧和思想衍生出了很多分類算法，如Real AdaBoost算法、Gentle AdaBoost算法、多標(biāo)簽集成學(xué)習(xí)算法、代價敏感分類集成算法等，其在多分類、代價敏感分類、不平衡分類、模糊分類等問題中得到了很好的應(yīng)用［10］。集成學(xué)習(xí)僅使用多個學(xué)習(xí)器，沒有利用好無標(biāo)記樣本，因此有學(xué)者提出了半監(jiān)督集成學(xué)習(xí)算法［11］，使得半監(jiān)督和集成學(xué)習(xí)可以相互幫助，進(jìn)一步改善學(xué)習(xí)器性能。為進(jìn)一步改善集成學(xué)習(xí)機(jī)的預(yù)測效果，提高預(yù)測速度，降低存儲需求，張春霞等［12］提出了“選擇性集成”的概念，即從已有的基學(xué)習(xí)機(jī)中將作用不大和性能不好的基學(xué)習(xí)機(jī)剔除，只選擇一些基學(xué)習(xí)機(jī)用于構(gòu)建集成。本文也將使用“選擇性集成”的思想。

集成學(xué)習(xí)通過將多個學(xué)習(xí)器進(jìn)行結(jié)合，?？色@得比單一學(xué)習(xí)器顯著優(yōu)越的泛化能力［13］。鑒于前人采用傳統(tǒng)方法進(jìn)行意圖預(yù)判存在精度不夠和時效性不佳的問題，本文擬應(yīng)用異質(zhì)集成學(xué)習(xí)器來解決該模糊不確定性分類問題。分別選取極限學(xué)習(xí)機(jī)、決策樹、Skohonen神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)4種子學(xué)習(xí)器，使用集成學(xué)習(xí)結(jié)合策略構(gòu)建異質(zhì)集成學(xué)習(xí)器，然后利用該異質(zhì)集成學(xué)習(xí)器訓(xùn)練測試已知分類結(jié)果的訓(xùn)練樣本100次，得到訓(xùn)練集100次的分類實驗平均準(zhǔn)確率和計算時間。依據(jù)分類結(jié)果考慮是否進(jìn)行集成修剪，以重新構(gòu)建效率更高的異質(zhì)集成學(xué)習(xí)器。

1 異質(zhì)集成學(xué)習(xí)器

集成學(xué)習(xí)通過構(gòu)建并結(jié)合多個學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)，異質(zhì)集成中的個體學(xué)習(xí)器由不同的學(xué)習(xí)算法生成。集成學(xué)習(xí)的結(jié)果通過投票法產(chǎn)生，即“少數(shù)服從多數(shù)”。要獲得好的集成，個體學(xué)習(xí)器應(yīng)“好而不同”［13］。集成學(xué)習(xí)的關(guān)鍵之處是如何設(shè)計泛化能力強(qiáng)、個體差異大的基分類器，形成多分類系統(tǒng)［14］。

極限學(xué)習(xí)機(jī)學(xué)習(xí)速度快、泛化性能好、調(diào)節(jié)參數(shù)少；決策樹分類器原理簡單、計算量小、泛化能力較好、對數(shù)據(jù)要求不高；Skohonen網(wǎng)絡(luò)能夠識別環(huán)境特征并自動聚類；LVQ神經(jīng)網(wǎng)絡(luò)無需對數(shù)據(jù)進(jìn)行預(yù)處理，更加簡單有效。這幾種學(xué)習(xí)器都有較好的性能，并且各學(xué)習(xí)器之間差異較大。故本文先分別選取該4種子學(xué)習(xí)器，構(gòu)建異質(zhì)集成學(xué)習(xí)器。

1.1 極限學(xué)習(xí)機(jī)分類器

極限學(xué)習(xí)機(jī)是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，輸入層與隱含層、隱含層與輸出層神經(jīng)元間全連接［15］，如圖1所示。設(shè)輸入層與隱含層、隱含層與輸出層間的連接權(quán)值分別為w和β。則具有N個輸入的網(wǎng)絡(luò)輸出T為

式中，H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣。

1.2 決策樹分類器

目前已有很多種決策樹［9，16-17］生成算法，這里采用C 4.5算法，該算法主要利用信息熵原理，選擇信息增益率最大的屬性作為分類屬性，采用遞歸方法構(gòu)造決策樹的分支，完成決策樹的構(gòu)造。

采用信息增益率作為選擇分支屬性的標(biāo)準(zhǔn)，克服了信息增益選擇屬性時偏向選擇取值多的屬性的不足。

1.3 Skohonen神經(jīng)網(wǎng)絡(luò)分類器

Skohonen是有監(jiān)督自組織競爭型神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)包含輸入層、競爭層和輸出層，競爭層節(jié)點呈二維陣列分布，輸出層節(jié)點個數(shù)與數(shù)據(jù)類別相同，每個節(jié)點代表一類數(shù)據(jù)。輸出層節(jié)點和競爭層節(jié)點通過權(quán)值全相連，當(dāng)數(shù)據(jù)輸入Skohonen網(wǎng)絡(luò)，在權(quán)值調(diào)整時，不僅調(diào)整輸入層與競爭層優(yōu)勝節(jié)點鄰域內(nèi)節(jié)點的權(quán)值，而且調(diào)整競爭層優(yōu)勝節(jié)點鄰域內(nèi)節(jié)點與輸出層節(jié)點的權(quán)值［12］。在學(xué)習(xí)過程中，Skohonen神經(jīng)網(wǎng)絡(luò)的權(quán)值修改學(xué)習(xí)速率和神經(jīng)元領(lǐng)域均在不斷減小，使同類神經(jīng)元逐漸集中，從而實現(xiàn)數(shù)據(jù)的有效聚類。Skohonen網(wǎng)絡(luò)訓(xùn)練步驟參見文獻(xiàn)［15］。

1.4 LVQ神經(jīng)網(wǎng)絡(luò)分類器

LVQ神經(jīng)網(wǎng)絡(luò)是一種用于訓(xùn)練競爭層的有監(jiān)督學(xué)習(xí)方法的輸入前向神經(jīng)網(wǎng)絡(luò)，其由輸入層、競爭層和線性輸出層構(gòu)成，輸入層與競爭層之間采用全連接的方式，競爭層與線性輸出層之間采用部分連接的方式。LVQ神經(jīng)網(wǎng)絡(luò)算法可分為LVQ1算法和LVQ2算法兩種，這里使用LVQ1算法，該算法的基本思想及步驟見文獻(xiàn)［15］。

2 集成學(xué)習(xí)結(jié)合策略

學(xué)習(xí)器結(jié)合可能從3個方面帶來好處：由于學(xué)習(xí)任務(wù)的假設(shè)空間往往很大，可能有多個假設(shè)在訓(xùn)練集上達(dá)到同等性能，此時若使用單學(xué)習(xí)器可能會因誤選而導(dǎo)致泛化性能不佳，結(jié)合多個學(xué)習(xí)器則會減小這一風(fēng)險；學(xué)習(xí)算法往往會陷入局部極小點，有的局部極小點所對應(yīng)的泛化能力可能很糟糕，而通過多次運(yùn)行之后進(jìn)行結(jié)合，可降低陷入糟糕局部極小點的風(fēng)險；某些學(xué)習(xí)任務(wù)的真實假設(shè)可能不在當(dāng)前學(xué)習(xí)算法所考慮的假設(shè)空間中，此時若使用單學(xué)習(xí)器則肯定無效，而通過結(jié)合多個學(xué)習(xí)器，由于相應(yīng)的假設(shè)空間有所擴(kuò)大，有可能學(xué)得更好的近似［13］。

選擇好個體差異大的基分類器后，將不同類型的學(xué)習(xí)算法應(yīng)用于同一數(shù)據(jù)集上，得到異質(zhì)類型的基分類器，再對輸出進(jìn)行決策融合。

2.1 輸出決策融合

對同一組訓(xùn)練數(shù)據(jù)，分別采用不同的學(xué)習(xí)算法來訓(xùn)練得到不同的基分類器，然后再將它們組合,形成最終的分類器。

假定訓(xùn)練數(shù)據(jù)樣本集X={x1,x2,…,xM}，集合包含T個基學(xué)習(xí)器H={h1,h2,...,hT}，其中hi在樣本x上的輸出O1為hi(x)。對分類任務(wù)來說，學(xué)習(xí)器hi將從類別標(biāo)記集合中預(yù)測出一個標(biāo)記，最常見的結(jié)合策略是使用投票法，這里使用相對多投票法。通過該決策融合方法，便可得到異質(zhì)集成學(xué)習(xí)器。構(gòu)建的異質(zhì)集成學(xué)習(xí)器可高效地通過未分類數(shù)據(jù)樣本，得到預(yù)測分類結(jié)果O。為便于討論，我們將hi在樣本x上的預(yù)測輸出表示為一個N維向量，其中是hi在類別標(biāo)記cj上的輸出。決策融合的思路如圖2所示。

2.2 相對多投票法

構(gòu)建異質(zhì)集成學(xué)習(xí)器時所用到的相對多投票法可表示為

在集成子學(xué)習(xí)器后，再試圖通過去除一些個體學(xué)習(xí)器來獲得較小的集成，進(jìn)行集成修剪。這有助于減小模型的存儲開銷和預(yù)測時間開銷。去除部分學(xué)習(xí)器的原則是剔除精度低或耗時長的學(xué)習(xí)器。

3 仿真實驗驗證

假設(shè)水面艦艇編隊由1艘導(dǎo)彈驅(qū)逐艦和4艘導(dǎo)彈護(hù)衛(wèi)艦組成，其中導(dǎo)彈驅(qū)逐艦為指揮艦。編隊在某海域巡邏時，僅依靠自身雷達(dá)對空中目標(biāo)進(jìn)行探測。但因有數(shù)據(jù)鏈，所以編隊中任意一艘艦發(fā)現(xiàn)目標(biāo)，其余艦都可以共享信息，并由指揮艦統(tǒng)一指揮各艦進(jìn)行防御。編隊通過雷達(dá)探測到不同時刻目標(biāo)所在的經(jīng)度、緯度和高度，然后通過計算轉(zhuǎn)換成目標(biāo)對應(yīng)的方位角、距離、水平速度、航向角、高度等信息。本文運(yùn)行環(huán)境為Windows 7系統(tǒng)，使用Matlab R2010b版軟件進(jìn)行仿真計算。

表1所示為已知意圖的15批空中目標(biāo)數(shù)據(jù)，該15組數(shù)據(jù)構(gòu)成訓(xùn)練集。表2為探測到的未知意圖12批可疑空中目標(biāo)信息，該12組數(shù)據(jù)為待分類數(shù)據(jù)集。數(shù)據(jù)庫中包含了空中目標(biāo)的7個量化特征（方位角、距離、水平速度、航向角、高度、雷達(dá)反射面積和目標(biāo)屬性），這些特征與目標(biāo)意圖有著密切的關(guān)系。為了量化樣本特征，分別用數(shù)值1，2，3表示目標(biāo)屬性大、中、?。挥脭?shù)值1，2，3，4，5分別表示偵察、攻擊、掩護(hù)、監(jiān)視和其他這5種意圖類型。將空中目標(biāo)的7個量化特征值作為學(xué)習(xí)器的輸入，目標(biāo)意圖量化值作為輸出。用訓(xùn)練集數(shù)據(jù)對設(shè)計的學(xué)習(xí)器進(jìn)行訓(xùn)練，然后對待分類數(shù)據(jù)集進(jìn)行分類測試。

利用異質(zhì)集成學(xué)習(xí)器（包含極限學(xué)習(xí)機(jī)分類器、決策樹分類器、Skohonen網(wǎng)絡(luò)分類器和LVQ神經(jīng)網(wǎng)絡(luò)分類器4個子學(xué)習(xí)器），訓(xùn)練測試已知意圖的15批空中目標(biāo)數(shù)據(jù)100次，得到該訓(xùn)練集100次分類實驗的平均準(zhǔn)確率為93.267%，所用計算時間為2 186.83 s。此時得到12組未知意圖的測試集分類結(jié)果為［其他其他其他其他偵察偵察攻擊其他其他攻擊偵察偵察］。集成學(xué)習(xí)并沒有表現(xiàn)出較好的性能，計算時間太長，因此考慮進(jìn)行集成修剪，以減小模型的預(yù)測時間開銷。

為了去除部分精度低或耗時長的學(xué)習(xí)器，分別使用4個子學(xué)習(xí)器對訓(xùn)練集各進(jìn)行100次訓(xùn)練測試，得到了各子學(xué)習(xí)器的平均分類準(zhǔn)確率和計算時間，仿真實驗結(jié)果見表3。

由表3可知，決策樹分類器和LVQ神經(jīng)網(wǎng)絡(luò)分類器的分類準(zhǔn)確率較低，Skohonen神經(jīng)網(wǎng)絡(luò)分類器和LVQ神經(jīng)網(wǎng)絡(luò)分類器分類耗時較長。該4個子分類器集成后并沒有提高性能，反而使集成學(xué)習(xí)結(jié)果變得更差。這是因為要獲得更好的集成，個體學(xué)習(xí)器應(yīng)該“好而不同”，即每個學(xué)習(xí)器不能太差。由于LVQ神經(jīng)網(wǎng)絡(luò)分類器不僅精度低，而且耗時長，因此在集成修剪時將LVQ神經(jīng)網(wǎng)絡(luò)分類器剔除，只使用剩下的3種子學(xué)習(xí)器重新構(gòu)成異質(zhì)集成學(xué)習(xí)器。

表1 已知意圖的15批空中目標(biāo)數(shù)據(jù)Table 1 Data for 15 batches of air targets with known intention

表2 未知意圖的12批待分類空中目標(biāo)數(shù)據(jù)Table 2 Data for 12 batches of air targets with unknown intention

表3 各子學(xué)習(xí)器100次仿真實驗結(jié)果Table 3 Results of 100 simulation experiments in each sub-learner

利用修剪后的異質(zhì)集成學(xué)習(xí)器（包含極限學(xué)習(xí)機(jī)分類器、決策樹分類器、Skohonen網(wǎng)絡(luò)分類器這3個子學(xué)習(xí)器），訓(xùn)練測試已知意圖的15批空中目標(biāo)數(shù)據(jù)100次，得到訓(xùn)練集100次分類實驗的平均準(zhǔn)確率為99.93%，所用計算時間為224.78 s。此時得到12組未知意圖的測試集分類結(jié)果為［其他其他其他其他偵察其他攻擊其他其他攻擊偵察偵察］。異質(zhì)集成學(xué)習(xí)器修剪前后的訓(xùn)練樣本實驗分類結(jié)果如圖4和圖5所示；待分類樣本預(yù)判結(jié)果對比如圖6所示?？梢娦藜艉蟮漠愘|(zhì)集成學(xué)習(xí)器分類準(zhǔn)確率得到了較大的提升，分類精度基本上滿足了軍事要求；計算時間較修剪前縮短了將近一個數(shù)量級。

盡管修剪后的異質(zhì)集成學(xué)習(xí)器預(yù)判精度很高，但預(yù)判所用時間還是較長，不能滿足軍事決策快速反應(yīng)的要求。之所以集成學(xué)習(xí)器計算所用時間長，是因為構(gòu)成它的Skohonen網(wǎng)絡(luò)子分類器訓(xùn)練樣本時耗時較長。為解決該問題，本文提出“線下訓(xùn)練、線上調(diào)用”的方法，即在水面艦艇編隊通過雷達(dá)探測到空中目標(biāo)之前，在線下計算機(jī)上訓(xùn)練歷史采集的已知意圖訓(xùn)練集，得到該復(fù)雜問題的“黑箱模型”，然后在有預(yù)判任務(wù)時，直接通過線上計算機(jī)調(diào)用事先已經(jīng)訓(xùn)練好的模型，得到預(yù)判結(jié)果。使用該思想，得到改進(jìn)后的仿真結(jié)果如表4所示。

表4 改進(jìn)后學(xué)習(xí)器100次仿真實驗結(jié)果Table 4 Results of 100 simulation experiments in improved learner

由表4可知，利用“線下訓(xùn)練、線上調(diào)用”思想，改進(jìn)后的Skohonen神經(jīng)網(wǎng)絡(luò)子分類器的計算時間約縮短到原計算時間的1/2 000，改進(jìn)異質(zhì)集成分類器預(yù)判時間也縮短到原計算時間的1/45左右。從探測到空中目標(biāo)到預(yù)判出各來襲目標(biāo)意圖總用時為4.972 s，預(yù)判精度為99.93%，很好地滿足了精度和實時性要求。

4 結(jié) 論

空中目標(biāo)來襲意圖預(yù)判對于海上作戰(zhàn)意義重大，就水面艦艇編隊而言，急需能在短時間內(nèi)正確預(yù)判空中各來襲目標(biāo)的攻擊意圖，并采取相應(yīng)的反擊或防護(hù)措施。本文采用集成學(xué)習(xí)思想，綜合4種不同的機(jī)器學(xué)習(xí)方法，提出了決策融合思想和相對多投票法，通過小樣本的訓(xùn)練，得到了較高精度的分類效果。本文主要結(jié)論如下：

1）由極限學(xué)習(xí)機(jī)、決策樹、Skohonen神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)4種學(xué)習(xí)器構(gòu)建的異質(zhì)集成學(xué)習(xí)器試驗得到的平均準(zhǔn)確率和計算時間欠佳，需要進(jìn)行集成修剪，重新構(gòu)建效率更高的異質(zhì)集成學(xué)習(xí)器。

2）剔除LVQ神經(jīng)網(wǎng)絡(luò)后，由剩余3種子學(xué)習(xí)器構(gòu)建而成的異質(zhì)集成學(xué)習(xí)器的試驗精度較高，但計算耗時長。由此提出對Skohonen神經(jīng)網(wǎng)絡(luò)子分類器進(jìn)行“線下訓(xùn)練、線上調(diào)用”的改進(jìn)方法，在保持高精度的前提下，很好地解決了時效性問題。

3）本文所用方法也為小樣本分類識別問題提供了一種較好的實現(xiàn)途徑。

［1］冷畫屏，吳曉鋒，王慕鴻.空中目標(biāo)戰(zhàn)術(shù)機(jī)動類型的實時識別［J］.火力與指揮控制，2011，36（1）：64-66.LENG H P，WU X F，WANG M H.Real-time recognition of air target tactical maneuvering type［J］.Fire Control&Command Control，2011，36（1）：64-66（in Chinese）.

［2］王昊冉，老松楊，白亮，等.基于MEBN的戰(zhàn)術(shù)級空中目標(biāo)意圖識別［J］.火力與指揮控制，2012，37（10）：133-138.WANG H R，LAO S Y，BAI L，et al.Tactical air target intention recognition based on multi-entities Bayesian network［J］.Fire Control&Command Control，2012，37（10）：133-138（in Chinese）.

［3］伍之前，李登峰.基于推理和多屬性決策的空中目標(biāo)攻擊意圖判斷模型［J］.電光與控制，2010，17（5）：10-13.WU Z Q，LI D F.A model for aerial target attacking intention judgment based on reasoning and multi-attribute decision making［J］.Electronics Optics&Control，2010，17（5）：10-13（in Chinese）.

［4］紀(jì)野，李玉惠，李勃，等.有監(jiān)督Kohonen網(wǎng)絡(luò)的車型識別方法［J］.傳感器與微系統(tǒng)，2016，35（8）：12-14，19.JI Y，LI Y H，LI B，et al.Research on vehicle type identification method based on supervised Kohonen network［J］.Transducer and Microsystem Technologies，2016，35（8）：12-14，19（in Chinese）.

［5］郭欣，王蕾，宣伯凱，等.基于有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)的步態(tài)識別［J］.自動化學(xué)報，2017，43（3）：430-438.GUO X，WANG L，XUAN B K，et al.Gait recognition based on supervised kohonen neural network［J］.Acta Automatica Sinica，2017，43（3）：430-438（in Chinese）.

［6］裘日輝，劉康玲，譚海龍，等.基于極限學(xué)習(xí)機(jī)的分類算法及在故障識別中的應(yīng)用［J］.浙江大學(xué)學(xué)報（工學(xué)版），2016，50（10）：1965-1972.QIU R H，LIU K L，TAN H L，et al.Classification algorithm based on extreme learning machine and its application in fault identification of Tennessee Eastman process［J］.Journal of Zhejiang University（Engineering Science），2016，50（10）：1965-1972（in Chinese）.

［7］王路，張蕾，周彥軍，等.基于LVQ神經(jīng)網(wǎng)絡(luò)的植物種類識別［J］.吉林大學(xué)學(xué)報（理學(xué)版），2007，45（3）：421-426.WANG L，ZHANG L，ZHOU Y J，et al.Computer-aided plant species identification based on LVQ neural network［J］.Journal of Jilin University（Science edition），2007，45（3）：421-426（in Chinese）.

［8］鄧生雄，雒江濤，劉勇，等.集成隨機(jī)森林的分類模型［J］.計算機(jī)應(yīng)用研究，2015，32（6）：1621-1629.DENG S X，LUO J T，LIU Y，et al.Classification model based on ensemble random forests［J］.Application Research ofComputers， 2015， 32 （6） ：1621-1629（in Chinese）.

［9］姚莉娜，吳艷敏，崔光照.基于隨機(jī)森林的雷達(dá)高分辨距離像目標(biāo)識別新方法［J］.鄭州大學(xué)學(xué)報（工學(xué)版），2014，35（4）：105-108.YAO L N，WU Y M，CUI G Z.A new radar HRRP target recognition method based on random forest［J］.Journal of Zhengzhou University（Engineering Science），2014，35（4）：105-108（in Chinese）.

［10］付忠良.通用集成學(xué)習(xí)算法的構(gòu)造［J］.計算機(jī)研究與發(fā)展，2013，50（4）：861-872.FU Z L.A universal ensemble learning algorithm［J］.Journal of Computer Research and Development，2013，50（4）：861-872（in Chinese）.

［11］蔡毅，朱秀芳，孫章麗，等.半監(jiān)督集成學(xué)習(xí)綜述［J］.計算機(jī)科學(xué)，2017，44（增刊1）：7-13.CAI Y，ZHU X F，SUN Z L，et al.Semi-supervised and ensemble learning：a review［J］.Computer Science，2017，44（Supp 1）：7-13（in Chinese）.

［12］張春霞，張講社.選擇性集成學(xué)習(xí)算法綜述［J］.計算機(jī)學(xué)報，2011，34（8）：1399-1410.ZHANG C X，ZHANG J S.A survey of selective ensemble learning algorithms［J］.Chinese Journal of Computers，2011，34（8）：1399-1410（in Chinese）.

［13］周志華.機(jī)器學(xué)習(xí)［M］.北京：清華大學(xué)出版社，2016：171-191.

［14］張雁，林英，呂丹桔.集成學(xué)習(xí)在遙感分類中的應(yīng)用［J］.計算機(jī)與數(shù)字工程，2013，41（5）：697-699.ZHANG Y，LIN Y，LV D J.Application of ensemble learning in remote sensing image classification［J］.Computer&Digital Engineering，2013，41（5）：697-699（in Chinese）.

［15］王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析［M］.北京：北京航空航天大學(xué)出版社，2013.

［16］OLARU C，WEHENKEL L.A complete fuzzy decision tree technique［J］.Fuzzy Sets and Systems，2003，138（2）：221-254.

［17］王黎明.決策樹學(xué)習(xí)及其剪枝算法研究［D］.武漢：武漢理工大學(xué)，2007.WANG L M.Research on decision tree induction and pruning algorithm［D］.Wuhan：Wuhan University of Technology，2007（in Chinese）.