特征生成的重要性及方法

监测系统中的模式分类与预测的关键是被监测对象的特征信息提取。所谓特征生成，已称为特征提取。特征生成在监测系统中，主要通过两大类方法实现^[28]。

一是通过输入样本的线性变换实现特征生成。变换的最基本概念是把给定的测量集变换为新的特征集。如果变换方法选择得合适，那么变换域的特征与原始的输入样本相比将具有很高的信息压缩性能。这就意味着，大多数与分类有关的信息被压缩到相对小的特征中，从而减少了必需的特征空间的维数。基于特征变换的基本原理是选择合适的变换能减少或去除信息冗余。它们通常存在于监测测得的样本集中。在监测系统中，线性变换主要借助于信号处理，特别是现代信号处理的理论和技术手段，从对信号的深度分析中获取更多的信息。

二是从类可分的观点来看，特征生成其实是信息压缩并分类的过程。典型的应用如数字图像处理。数字图像在计算机中以二维数组的形式被存储，通常需要被存储的值都十分大，于是特征生成是以某种方式从图像数组的存储值中计算新变量的过程，即对原始数据中的相关信息进行有效编码的过程。(www.xing528.com)

此外需要说明的是特征选择和特征生成的概念是不一样的。特征选择的任务是从一组数量为D的特征中选择出数量为d（D＞d）的一组最优特征^[29]。特征选择目的之一是解决维数灾难，就是减少特征数量，降低计算复杂性；另一个目的是减少特征之间的相关性。进一步，从模式识别中分类器构建的通用性角度，也需要减少特征数量。

常用的特征生成的方法包括基于统计的特征生成、基于时频方法的特征生成、基于分形理论的特征生成、基于信息熵的特征生成、基于主成分分析的特征生成、基于独立成分分析的特征生成及基于流形分析的特征生成等^[30]。