0 引　言

随着移动网络的飞速发展，越来越多的传感器采集移动网络在军事和民用领域得到广泛应用^[1-3]。在军事应用中，需要对舰船移动网络通信数据进行分析处理，提取重要的特征信息，以便对舰船移动网络通信进行预测和决策。目前，国内外学者提出了多种特征提取和融合方法用于舰船移动网络通信数据特征提取和融合。吕瑾文等^[4]通过自组织神经网络的特征提取方法，该方法能够对大量舰船移动网络通信数据进行实时、有效的分类、筛选和预测；蔡新梅^[5]采用基于稀疏表示的特征提取方法，对舰船移动网络通信数据进行特征提取和融合，通过最小二乘支持向量机对舰船移动网络通信数据进行分类和预测；王玉国^[6]基于小波神经网络的多特征信息融合方法，将小波神经网络与稀疏表示相结合，利用小波神经网络对舰船移动网络通信数据进行特征提取和融合。目前对舰船移动网络通信数据特征提取和融合方面的研究成果较多，但在应用领域方面还未形成统一标准。

1 舰船移动网络数据的特点

舰船移动网络数据是指舰船在航行过程中通过移动网络方式接收的数据，主要包括以下方面：

1）舰船移动网络通信数据具有动态性，根据舰船的位置和移动速度，会产生不同类型的舰船移动网络通信数据。在实际应用中，不同类型的舰船移动网络通信数据具有不同的表现形式，具有一定的随机性。

2）舰船移动网络通信数据具有多维属性，其通信结构图如图1所示。

舰船移动网络通信数据在特征属性上不仅包括传统数据所包含的信息，还包括一些无法直接被传统方法描述的特征信息，由于各种因素的影响，在不同时刻、不同位置和不同节点上接收到的舰船移动网络通信数据会存在差异，从不同来源获得的舰船移动网络通信数据之间会存在一定程度上的关联关系，需要将其进行融合处理，由于环境因素、人为因素和时间因素等，会导致不同来源的舰船移动网络通信数据产生不同程度上的偏差。

2 基于多特征信息融合的数据预处理方法 2.1 基于多元统计分析的特征提取

首先，对收集到的舰船移动网络通信数据进行预处理，得到具有明显统计学意义的特征指标，通过对数据进行主成分分析和因子分析，减少多维复杂属性对舰船移动网络通信数据的影响。其次，通过主成分分析得到舰船移动网络通信数据的基本统计特征指标，然后通过主成分分析提取出数据的主要特征，利用因子分析方法获得对舰船移动网络通信数据影响较大、能够反映主要特征指标的因子。

2.1.1 主成分分析法

原理及主要计算步骤为：

步骤1　计算原始数据X的协方差阵 $\sum\limits$ ；

步骤2　计算协方差阵 $\sum\limits $ 的特征根，U为特征向量矩阵。此时协方差阵 $\sum\limits $ 有如下表示方式：

$ \begin{array}{l} \displaystyle\sum = {\boldsymbol{U}}\left( {\begin{array}{*{20}{c}} {{\lambda _1}}&{}&0\\ {}& \ddots &{}\\ 0&{}&{{\lambda _P}} \end{array}} \right){U^{\rm{T}}} = \sum\limits_{i = 1}^P {{\lambda _i}{e_i}e_i^{\rm{T}}} =\\ \displaystyle \sum\limits_{i = 1}^m {{\lambda _i}{e_i}e_i^{\rm{T}}} + \sum\limits_{j = m + 1}^p {{\lambda _j}{e_i}e_j^{\rm{T}}} =\\ \left( {\sqrt {{\lambda _1}} {e_1},\sqrt {{\lambda _2}} {e_2}, \ldots \ldots \sqrt {{\lambda _m}} {e_m}} \right)\left( {\begin{array}{*{20}{c}} {\sqrt {{\lambda _1}} {e_1}^{\rm{T}}}\\ {\sqrt {{\lambda _2}} {e_2}^{\rm{T}}}\\ \vdots \\ {\sqrt {{\lambda _m}} {e_m}^{\rm{T}}} \end{array}} \right)=\\ \left( {\sqrt {{\lambda _{m + 1}}} {e_{m + 1}},\sqrt {{\lambda _{m + 2}}} {e_{m + 2}}, \ldots \ldots \sqrt {{\lambda _p}} {e_p}} \right)\left( {\begin{array}{*{20}{c}} {\sqrt {{\lambda _{m + 1}}} {e_{m + 1}}^{\rm{T}}}\\ {\sqrt {{\lambda _{m + 2}}} {e_{m + 2}}^{\rm{T}}}\\ \vdots \\ {\sqrt {{\lambda _p}} {e_p}^{\rm{T}}} \end{array}} \right)\text{。} \end{array} $

结合上式推导过程，可以得到因子载荷矩阵的估计如下式：

$ A = \left( {\sqrt {{\lambda _1}} {e_1},\sqrt {{\lambda _2}} {e_2}, \ldots \ldots \sqrt {{\lambda _m}} {e_m}} \right)\left( {\begin{array}{*{20}{c}} {\sqrt {{\lambda _1}} {e_1}^{\rm{T}}} \\ {\sqrt {{\lambda _2}} {e_2}^{\rm{T}}} \\ \vdots \\ {\sqrt {{\lambda _m}} {e_m}^{\rm{T}}} \end{array}} \right)\cdot {a_{ij}}。$

其中：

$ {a_{ij}} = \sqrt {{\lambda _i}} {e_{ij}}\left( {i,j = 1,2, \ldots \ldots ,p} \right) 。$

式中：λ_i为第i个特征值，e_ij为λ_i相对应的第i个特征向量的第j个分量。得到载荷矩阵后，可以得到因子模型。

将移动通信网络数代入分析后可以将数据进行降维，并对收集到的移动网络数据进行预处理。

2.1.2 因子分析法

利用主成分方法对因式进行修正，假定先对收集到的移动网络通信的变量进行标准化转变，则可以假设R^*为相关矩阵，得出下式：

$ {\boldsymbol{R}}^ {*} = {\boldsymbol{R}} - {\boldsymbol{D}} = \left[ {\begin{array}{*{20}{c}} {h_1^2}&{{r_{12}}}& \cdots &{{r_{1p}}} \\ {{r_{21}}}&{h_2^2}& \cdots &{{r_{2p}}} \\ \vdots & \vdots & \vdots & \vdots \\ {{r_{p1}}}&{{r_{p2}}}& \cdots &{h_p^2} \end{array}} \right] 。$

其中，R^*的特征根需要满足如下条件：

$ \lambda _1^* \geqslant \cdots \geqslant \lambda _p^* \geqslant 0 。$

通过上述分析将主成分分析法得出的数据用因子分析法加以修正，可以将舰船的移动通信网络数据更为精确进行预处理。

2.2 基于小波变换的舰船通信数据多特征融合

首先对预处理后的舰船移动网络通信数据进行小波分解，得到不同尺度下的子空间分量，然后对不同尺度下子空间分量进行特征融合，得到融合后的子空间分量。

基于小波变换和多元统计分析的特征提取方法在降低计算复杂度和减少计算时间上具有很大优势。但由于单一特征指标在舰船移动网络通信数据中可能表现出较强或较弱甚至相反的性质，因此将多种特征指标融合起来是一个非常重要且有意义的研究方向。

多维复杂属性是舰船移动网络通信数据中最重要也是最具代表性的属性，多维复杂属性在多个维度上存在一定程度上的重叠，不同维度上存在一定程度上的相关性，多维复杂属性之间也可能相互影响和作用。

本方法首先对原始舰船移动网络通信数据进行小波变换，得到不同尺度下各子空间分量；然后利用多元统计分析对各子空间分量进行特征提取；最后利用小波变换对各子空间分量进行重构，得到融合后子空间分量。本方法适用于舰船移动网络通信数据分析领域。

3 舰船多特征融合算法及设计通信数据的处理

在多特征融合算法中，首先从数据中提取出多维复杂属性的综合信息，然后根据不同属性的重要程度赋予权值，最后根据不同类型属性的权值对得到的信息进行加权平均，得到多维复杂属性的综合信息。

同时，通过对舰船移动网络通信数据进行预处理，可以得到更多的综合信息。随着舰船移动网络通信技术研究越来越深入，使用多特征融合算法对舰船移动网络通信数据进行预处理可以得到更多属性信息和分类预测结果。

3.1 归一化处理

归一化是指对原始数据进行标准化处理，使其变为近似为同一类型数据，从而方便进行分析。归一化方法分为以下2种：

1）差分处理法。对原始数据进行一系列差分操作，将原始数据变为2个近似的数值，使其满足某种特定的函数关系。这种方法适用于非平稳和小样本问题。差分处理法的基本思想是将一个原始数据序列用一个与之等距的随机序列来代替，对原始序列进行2次差分操作，从而使该序列变为一个新的标准差序列。

2）平方差处理法。对于不同的数字量，其值都不相同，在数学上，将数字量视为具有相同量纲和数量级的单位。这样可以方便地消除因单位不同而造成的量纲和数量级差别。

最终，使用平方差处理法对舰船移动网络通信数据展开分析，该方法是在数据归一化之前先将原始数据进行平方和处理，再对得到的新数据进行归一化。归一化参数Y随输入参数变化曲线如图2所示。归一化的参数随着输入参数的变大而缓慢抖动变大，变化过程中存在一定的噪声干扰，这属于正常现象，不影响最终的数据准确度。

3.2 特征量的提取

首先，对通信数据进行归一化处理。在进行归一化处理之前，需要对通信数据进行分块处理，根据通信数据的特点选择合适的分块方法。采用归一化方法将通信数据转化为数字量后，可以采用直方图统计方法对通信数据进行特征提取。需要注意的是，这种数组的构造方法具有一定的特殊性。其基础运算如表1所示。

其次，在Matlab中利用直方图统计方法对通信数据进行特征提取。在实际应用中，可以使用上述方法提取出一组不同类型的特征向量。特征量随数据量变化曲线如图3所示。可知特征值预测结果和实际结果吻合度非常高，同时特征值会随着数据量的增加而显著减低。

3.3 基于BP神经网络分类算法的多特征融合

本文结合小波变换算法与BP神经网络算法，实现了更加高效的多特征值提取功能。BP神经网络是一种反向传播的前馈网络，其结构主要包括输入层、隐含层和输出层，在网络的训练过程中，对于输入值的变化，网络会自动调整权重系数。BP神经网络的结构如图4所示。

神经网络的构成需要以下步骤：

1）输入层。包含n个输入节点。

2）隐含层。隐含层由输入层输入节点和输出层输出节点组成。

3）输出层。可以将n个节点看做是一个m维向量到一个n维向量的映射，映射关系为

$ {P_k} = \left( {a_1^k,a_2^k,...a_n^k} \right) \text{，} $

$ {T_k} = \left( {s_1^k,s_2^k,...s_p^k} \right)。$

4）隐含单元数可以有多个，还可以融合小波算法的特征向量进行联合分析，得到特征向量函数为

$ {s_j} = \sum {{\omega _{ij}}{a_i} - {\theta _i}} \left( {j = 1,2,...,p} \right)。$

5）误差函数主要用于计算系统的误差。

$ {C_t} = f\left( {{L_t}} \right) \left( {t = 1,2,...,q} \right)。$

6）激活函数有线性激活函数、Sigmoid激活函数、非线性激活函数等，其中激活函数为

$ d_t^k = \left( {y_t^k - {C_t}} \right) \times {C_t}\left( {1 - {C_t}} \right) \left( {t = 1,2,...,q} \right) \text{，} $

并最终得出误差为

$ e_j^k = \left| {\sum {{d_t}{\nu _{jt}}} } \right|{b_j}(1 - {b_j})。$

7）阈值。阈值是指当输入值经过训练后达到某种特定的值时，网络就能正确地进行识别和预测。

8）初始权值由网络训练效果决定，并对其校正。

9）训练样本集。在训练集上进行模拟后可以实现精准的识别和预测。

4 融合过程分析

首先，对舰船移动网络通信数据利用主成分分析法进行预处理，获得多维复杂属性的综合信息；其次，采用小波算法进行多特征融合，提高信息提取和融合的准确性。最后，通过归一法和BP分类的方法进行数据验证提取。实验结果表明：本文方法对舰船移动网络通信数据进行特征提取和融合，能够有效提高数据分类、筛选和预测的准确性。

5 结　语

本文提出一种基于多特征融合的舰船移动网络通信数据处理方法，该方法结合了BP神经网络算法和小波算法对舰船的通信网络数据进行融合，在舰船移动网络通信数据中，通过对通信数据的统计分析，得到通信数据中缺失值的特征参数，并根据这些特征参数对通信数据进行缺失值填补。