特征

特征的定义

特征是具有代表性或区分性的属性或信息。所谓代表性，指该属性能够反映被观测对象的主要性质；所谓区分性，指该属性能够把不同对象或不同类别区分开来。特征不是原始数据的简单复制，而是对原始数据中与任务相关的信息的概括。

从原始数据到特征向量

在多传感器系统中，各传感器输出的是原始数据。原始数据维度高、冗余大，且往往包含与任务无关的成分。特征提取的作用是对原始数据做变换或选择，得到一组低维的数值，这组数值按固定顺序排列即构成。其一般流程为：

传感器1、传感器2、传感器3 → 原始数据 → 特征提取 → 特征向量 → 决策模型 → 决策结果

设第 $i$ 个传感器的原始数据为 $x_i$，特征提取算子记为 $T$，则特征向量可写为

其中 $n$ 为传感器个数，$\mathbf{f}$ 为特征向量。特征向量的每一维对应一个特征量，其物理含义由所选的属性决定，单位随该属性而定（例如温度特征以摄氏度为单位，幅值特征以伏特为单位）。

特征提取的降维意义

特征提取把高维原始数据映射为低维特征向量，例如原始数据序列 $0.2,0.1,0.7,\dots$ 经特征提取后得到维度更低的特征向量 $0.11,0.3,-0.1,\dots$。这种映射降低了数据维度和处理量；当特征提取算子 $T$ 与任务匹配且方法得当时，可保留对区分对象较有用的信息，但特征提取本身并不保证自动保留最有用信息，也不必然降维（$T$ 也可为同维或升维变换）。降维的代价是丢失部分原始信息，因此特征选择是否恰当直接影响后续决策的质量。

特征在数据融合层次中的位置

在数据融合的层次划分中，特征层融合是指从传感器的原始信息中提取一组典型的特征信息，对多个传感器的观察值进行特征提取，并综合为一组特征向量进行融合。该层次介于原始层与决策层之间：

• 原始层直接对未经或经过很少处理的原始传感信息进行融合，通常信息量最大、信息损失最小，但对配准性要求高，抗干扰性一般较弱。
• 特征层从原始信息中提取特征并综合为特征向量，信息量、信息损失、容错性、抗干扰性通常介于原始层与决策层之间，应用范围较大。
• 决策层在每个传感器做出初步决策后再融合，通常信息损失最大；其容错性和抗干扰性取决于噪声、相关性、模型和融合策略，不能仅由层次本身决定绝对排名。

特征层典型的融合技术主要为模式识别技术，如人工神经网络、模糊聚类方法等。

特征与识别的关系

识别是根据多个传感器的观测结果形成一个 $N$ 维特征向量，其中每一维代表目标的一个特征分量；各维是不同特征分量，并不因此统计独立，相关特征亦可构成有效特征向量。若已知被观测目标有 $M$ 个类型及每类目标的特征，则可将实测特征向量与已知类型的特征进行比较，从而确定目标的类别。因此，特征向量是识别与分类的输入，特征的代表性与区分性越强，分类结果越可靠。

举例

以动物轮廓辨识为例：黑猫剪影中，耳朵形状、胡须、颈部线条等轮廓要素构成辨识该动物的关键特征。这些要素并非整幅图像的全部像素，而是从图像中抽取出的、对该类对象具有代表性和区分性的属性。同理，在传感检测中，温度、压力、幅值、频率等传感属性也可作为特征量，用于区分不同的被测状态。