特征工程是一项艰巨的任务，对于真实的信号数据来说，很难找到一种特征来轻易的区分所有不同类别的信号个体。多种特征可以提供更多信息，这意味着多特征融合策略具有潜在的巨大优势。
基于这一前提，信息工程学院的许曈博士提出了一套包含特征提取、特征选择、特征学习和特征决策的分类系统，并以ADS-B信号数据为例进行研究：在特征提取层面，提取了信号数据的相位特征和小波分解特征并进行了数据分析；在特征选择层面，利用随机森林的feature importance特性筛选具有较高区分度的特征；在特征学习层面，设计了一个基于16个卷积层的一维残差神经网络；在特征决策层面，提出了一套融合投票法和先验概率的新型多特征决策方法。这项工作对于信号细微特征的挖掘和信号个体识别具有重要意义。
该研究成果以题为《A novel multi-featured decision system for multi-classification tasks》发表在《Measurement Science and Technology》（中科院三区，IF:2.4）上。论文链接：https://iopscience.iop.org/article/10.1088/1361-6501/aceb11
近年来，信息工程学院高度重视高水平科学研究，始终将科研工作立于发展全局中的核心地位，确立以学科交叉融合作为学院科研特色化发展的必由之路，积极引进学术骨干博士，取得了一系列科研成果，进一步树立了学院的学术自信，增强了学院科研特色。
图1 三种单一特征和本文提出框架在30类个体上召回率、精确率和F1值的对比结果
（信息工程学院 图、文：许曈 审核：朱祎）
