辨识主要机械噪声源对于潜艇的噪声控制具有重要意义,但由于实际条件下测试的困难和昂贵的试验成本,通常难以获得足够多的训练样本,因此其本质上是一个小样本条件下的模式识别问题。为改善分类系统在小样本条件下的泛化性能,通过引入集成学习的BAGGING方法,分别与现有分类算法如分类与回归树(Classification and regression tree,CART)和物差反传训练(Back-propagation,BP)相结合,提出了B-CART和B-BP算法。进一步,考虑到实际测量中往往同时利用布置在艇体不同部位上的多个通道(加速度传感器、水听器等)来采集数据,以期获得更多关于噪声源的相关信息,基于此先验信息提出了B-CART-M和B-BP-M算法。在此基础上,首先分别对每个通道的数据进行,BAGGING集成,并生成该通道的结论,然后对每个通道的结论进行二次投票,从而得到最终分类结果,得到了算法B-CART-M’和B-BP-M’。舱段模型试验结果表明,以上6种算法均能不同程度提高小样本条件下分类系统的性能,其中B-CART-M’和B-BP-M’效果最为明显;对同一算法而言,外壳数据的分类效果最好,远场数据的分类效果最差,内壳和近场数据的分类效果相差不多。给出了算法实际应用时的若干建议。
