基于高维特征选择策略与麦克斯韦方程组推导优化算法（Maxwell's Equations Derived Optimization, MEDO）的改进反向传播（Back Propagation, BP）神经网络模型

《Chinese Journal of Electronics》：An Improved BP Neural Network Model Based on High-Dimensional Feature Selection Strategy and Maxwell's Equations Derived Optimization

　　

随着系统规模持续扩大，系统内电子设备的种类与数量相应增加，导致电磁发射的复杂性升高，使得电磁发射源（electromagnetic emitter）的识别变得困难。为解决此问题，研究人员提出了一种基于高维特征选择（High-dimensional Feature Selection, HFS）策略和麦克斯韦方程组推导优化算法（Maxwell's Equations Derived Optimization, MEDO）的改进反向传播（Back Propagation, BP）神经网络模型。该模型首先利用基于随机小样本的特征选择方法，通过精简网络结构来提高计算效率；随后应用MEDO算法优化神经网络的权值与偏置参数，从而提升模型的识别能力。研究人员基于基本发射波形理论构建了电磁发射信号数据集对该创新模型进行识别测试。实验结果表明，与现有BP神经网络模型相比，该方法在降低时间复杂度的同时提高了识别准确率。

基于高维特征选择与麦克斯韦方程组推导优化的改进BP神经网络用于电磁发射源识别的研究解读

《Chinese Journal of Electronics》刊载的该文针对复杂电磁环境下电磁干扰（Electromagnetic Interference, EMI）源识别难的问题展开研究。现有机器学习方法尤以其神经网络（Neural Network, NN）在识别复杂非线性电磁信号方面表现优异，但其性能受网络结构冗余及传统梯度下降法易陷入局部最优的限制；此外复杂电磁发射信号特征维度高，全量特征输入会显著增加时间复杂度与硬件开销。为此，研究人员提出融合高维特征选择（High-dimensional Feature Selection, HFS）与麦克斯韦方程组推导优化算法（Maxwell's Equations Derived Optimization, MEDO）的HFS-MEDO-BPNN模型，旨在降低计算成本的同时突破参数寻优局限，提升电磁发射源识别精度，并通过自建信号集与对比实验验证其有效性。

研究人员采用的主要关键技术方法包括：（1）基于随机森林（Random Forest, RF）Gini重要性（Mean Decrease in Impurity, MDI）评估的高维特征选择策略，随机抽取10%小样本预筛选特征，按允许误差容限δ_p迭代下调重要性阈值I_v剔除冗余特征；（2）MEDO智能优化算法，将NN权值w与偏置b编码为优化个体位置向量x，以识别准确率或均方误差（Mean Square Error, MSE）为适应度函数，依安培力与重力的类物理运动方程更新个体速度与位置以全局搜索最优参数；（3）基于基本发射波形理论构建含脉冲、失配振荡、模拟正弦及数字方波四类基元的复合电磁发射信号集，叠加不同信噪比（Signal-to-Noise Ratio, SNR = 0/3/6/10 dB）高斯白噪声生成15类凸组合信号并提取时域—频域—能量域共l维特征。

SECTION II. Construction of the HFS-MEDO-BPNN Recognition Model（HFS-MEDO-BPNN识别模型的构建）

阐述随机森林基尼重要性I_MDI(X_j) = (1/N_t) Σ Σ ΔG_n度量特征显著度，经Algorithm 1在小样本集X_l上排序并依阈值剔除低重要度特征得压缩特征集X_k（k < l）。给出标准单隐层BPNN前向传播公式u_j= g(Σ w^u_ijx_i+ b_j)与y = g(Σ w^y_ju_j+ b^y)，损失函数L = Σ(y^(k)? ?^(k))²，传统梯度下降更新参数。详述MEDO源于时变电场现象，优化个体GH受安培力F_A= i_GB₀L与重力F_G= m|g|(?x_cur)作用，速度更新v_new= (B₀·i_GH/ (ρS_bar) ? (x_last+ v_cur)|g|)·t，位置更新x_new= x_cur+ v_new·Δt（Δt取1），将NN待优化w、b映射为x，迭代至最大代数或收敛误差满足终止条件输出最优初始权值与偏置完成BPNN参数初始化。

SECTION III. Application: the Identification of Electromagnetic Emission Sources by the Model（模型应用：电磁发射源的识别）

1. 1.
   基于基本发射波形理论V(f) = v_t(f) ? Σ H_i(f_h) ? Σ N_j(f_k) ? E(f) ? S(f) ? ε构造四类基信号随机凸组合w_m(t) = Σ_i=p^qu_ih_i(t)（0.2 ≤ u_i≤ 0.8, Σu_i= 1）得15种合成信号x_m(t) = w_m(t) + ε_m，按S = 10lg(P_s/P_n)设SNR为0/3/6/10 dB，每类500样本共7500样本，提取时域（峰值T_miny、波形因子S、脉冲因子C、峰值因子L等）、频域（主频T_mind、峰值频率T_maxz、次峰T_maxn、重心频率FC、均方频率MSF、频率方差VF等）及能量域（功率谱熵psdE、能量熵eE）共l=14维特征。
2. 2.
   RF特征重要性排序显示特征编号3（频域峰值）、4（频域次峰）、6（时域波形因子S）、12（功率谱熵psdE）最重要；不同SNR下维持精度所需最少特征数分别为SNR=10 dB时k=3、6 dB时k=5、3 dB时k=6、0 dB时k=8，为确保全SNR集精度统一选取k=8维特征输入，有效降低训练时间t₀= 1 / [1 + exp(?(t?μ)/σ)]。
3. 3.
   MEDO以分类准确率f_pi(x) = ΣTP_i/ Σ(TP_i+FP_i+TN_i+FN_i)为适应度，种群规模60、最大迭代200、收敛误差1×10^?3，RF树数100。数据集按8:2划分，十折交叉验证。在SNR ≥ 3 dB条件下，HFS-MEDO-BPNN训练集准确率95.4%（原始BPNN为94.47%），测试集整体识别率93.33%，最低单类识别率82%；与原BPNN及各对比优化算法（粒子群PSO-BPNN、遗传GA-BPNN、模拟退火SA-BPNN、孔雀POA-BPNN、霜冰RIME-BPNN）相比，HFS-MEDO-BPNN在SNR=3/6/10 dB时平均识别率与最低类识别率均具优势或持平（10 dB时平均99.4%，SA为99.46%）。各类ROC曲线接近左上角，AUC值多数趋近1，优于原模型及其他优化模型。SNR=0 dB因信号淹没于噪声特征失效不予评测。

SECTION IV. Electromagnetic Signal Recognition Application of HFS-MEDO-BPNN（HFS-MEDO-BPNN的电磁信号识别应用拓展）

在UCI Waveform波形数据集（5000样本、21特征、三分类）上HFS-MEDO-BPNN测试准确率良好；在实际独立供电系统电源总线EMI测量数据集（四典型设备八工况、频谱特征分解）上，HFS-MEDO-BPNet测试集诊断准确率达91.67%，较原始BPNN提升14.31个百分点。

讨论与结论（Conclusion）翻译总结：

研究人员开发了一种面向电磁应用的神经网络模型，该模型基于高维特征选择技术并利用麦克斯韦方程组推导优化算法（MEDO）优化参数，用于识别电磁发射源。首先应用随机森林算法对含环境噪声的组合电磁发射信号样本集进行特征选择以剔除冗余特征、降低时间复杂度；继而采用MEDO算法精炼神经网络模型参数与结构，并使用公开波形数据集验证。研究人员基于基本发射波形理论构建电磁发射样本集对所提模型进行电磁发射源识别适用性评估，通过识别准确率、混淆矩阵、受试者工作特征（Receiver Operating Characteristic, ROC）曲线及曲线下面积（Area Under Curve, AUC）值综合评价模型性能。结果表明，相较于传统网络模型，该电磁发射源识别模型具备更优的识别性能与较低的时间复杂度。