發(fā)布時(shí)間：2018-04-05 23:12

  本文選題：粒子群算法　切入點(diǎn)：支持向量機(jī)　出處：《物理學(xué)報(bào)》2015年04期

【摘要】：基于經(jīng)驗(yàn)?zāi)B(tài)分解理論,提出了一種基于粒子群算法的支持向量機(jī)預(yù)測(cè)方法.采用總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽⒒煦缧盘?hào)分解為若干固有模態(tài)函數(shù)和趨勢(shì)分量,將復(fù)雜的非線性信號(hào)轉(zhuǎn)化為具有不同尺度特征的平穩(wěn)分量.利用粒子群算法對(duì)支持向量機(jī)的懲罰系數(shù)和核函數(shù)進(jìn)行優(yōu)化,結(jié)合支持向量機(jī)建立混沌序列的單步預(yù)測(cè)模型.從預(yù)測(cè)誤差中檢測(cè)淹沒(méi)在混沌背景中的微弱信號(hào)(包括瞬態(tài)信號(hào)和周期信號(hào)).對(duì)Lorenz系統(tǒng)和實(shí)測(cè)IPIX雷達(dá)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明,該方法能夠有效地從混沌背景噪聲中檢測(cè)出微弱目標(biāo)信號(hào),Lorenz系統(tǒng)得到的均方根誤差0.000000339(-102.8225 d B時(shí))比傳統(tǒng)支持向量機(jī)方法的均方根誤差0.049(-54.60 d B時(shí))降低了5個(gè)數(shù)量級(jí),從海雜波中檢測(cè)出具有諧波特性的微弱信號(hào),表明預(yù)測(cè)模型具有更低的門(mén)限和誤差.
[Abstract]:Based on empirical mode decomposition theory, a support vector machine (SVM) prediction method based on particle swarm optimization (PSO) is proposed.The chaotic signal is decomposed into some inherent mode functions and trend components by the method of population average empirical mode decomposition, and the complex nonlinear signals are transformed into stationary components with different scale characteristics.Particle swarm optimization algorithm is used to optimize the penalty coefficient and kernel function of support vector machine (SVM), and a one-step prediction model of chaotic sequence is established by combining support vector machine (SVM).Weak signals (including transient signals and periodic signals) submerged in chaotic background are detected from prediction errors.The simulation results of Lorenz system and IPIX radar data show that,This method can effectively detect the weak target signal from chaotic background noise and the root mean square error obtained by Lorenz system is 0.000000339- 102.8225 dB), which is 5 orders of magnitude lower than that of traditional support vector machine (SVM) when the root mean square error is 0.049 ~ 54.60 dB).Weak signals with harmonic characteristics are detected from sea clutter, which indicates that the prediction model has lower threshold and error.
【作者單位】： 南京信息工程大學(xué) 氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心 江蘇省氣象探測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金(批準(zhǔn)號(hào):61072133) 江蘇普通高校研究生實(shí)踐創(chuàng)新計(jì)劃(批準(zhǔn)號(hào):SJZZ_0112) 江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新資金計(jì)劃(批準(zhǔn)號(hào):BY2013007-02,BY2011112) 江蘇省高�？蒲谐晒a(chǎn)業(yè)化推進(jìn)項(xiàng)目(批準(zhǔn)號(hào):JHB2011-15) 江蘇省“信息與通信工程”優(yōu)勢(shì)學(xué)科和江蘇省“六大人才高峰”計(jì)劃資助的課題~~
【分類(lèi)號(hào)】：TN911.23;O415.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;全國(guó)第九屆微弱信號(hào)檢測(cè)學(xué)術(shù)會(huì)議征稿通知[J];物理;2001年02期

2 陳一詢;《微弱信號(hào)檢測(cè)》一書(shū)評(píng)介[J];物理;1988年07期

3 戴逸松;微弱信號(hào)檢測(cè)講座第二講 噪聲及其設(shè)計(jì)[J];物理;1988年09期

4 王金成,華家寧;半導(dǎo)體激光(紅光)高頻微弱信號(hào)檢測(cè)技術(shù)的研究[J];大連理工大學(xué)學(xué)報(bào);1997年S2期

5 石敏;徐襲;;基于混沌系統(tǒng)的水下目標(biāo)輻射噪聲線譜檢測(cè)[J];艦船科學(xué)技術(shù);2013年05期

6 高振斌;張晨;李景春;;混沌算法和子空間算法應(yīng)用在微弱信號(hào)檢測(cè)中的比較[J];科學(xué)技術(shù)與工程;2014年01期

7 姜萬(wàn)錄,吳勝?gòu)?qiáng);基于混沌振子的微弱信號(hào)檢測(cè)方法及應(yīng)用[J];機(jī)床與液壓;2002年04期

8 行鴻彥;金天力;;基于對(duì)偶約束最小二乘支持向量機(jī)的混沌海雜波背景中的微弱信號(hào)檢測(cè)[J];物理學(xué)報(bào);2010年01期

9 華家寧;一種LD泵浦Nd:YVO_4/KTP激光微弱信號(hào)檢測(cè)實(shí)驗(yàn)系統(tǒng)[J];半導(dǎo)體光電;2001年02期

10 潘永惠;高頻綠激光微弱信號(hào)檢測(cè)技術(shù)的研究[J];電子技術(shù)應(yīng)用;2003年08期

相關(guān)會(huì)議論文 前1條

1 甘維明;李風(fēng)華;李整林;戴瓊興;;海洋混響背景下微弱信號(hào)檢測(cè)的仿真研究[A];2008年全國(guó)聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)碩士學(xué)位論文 前2條

1 姚秀偉;微波技術(shù)與微弱信號(hào)檢測(cè)實(shí)驗(yàn)課設(shè)計(jì)——兼選修課理論研究[D];東北師范大學(xué);2004年

2 周靖;基于混沌預(yù)測(cè)的水聲微弱信號(hào)檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

，

本文編號(hào)：1716907