基于IA-SVM模型的混沌小信号检测方法

发布时间：2021-12-31 17:59

　　针对传统微弱信号检测方法在混沌背景下的检测能力较弱,提出了一种基于IA-SVM模型的混沌小信号检测方法。该方法经求嵌入窗构建混沌相空间后,利用免疫算法寻优能力对支持向量机中影响预测精度的三个参数进行优化,从而建立混沌时间序列的预测模型。实验验证结果表明,预测信号的均方根误差为0.000 146 3（信噪比为-104.247 3 dB）,较传统微弱信号检测方法有着显著优势。 

【文章来源】：探测与控制学报. 2020,42(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

含瞬态信号的真实值与预测值

为了进一步说明提出方法的优越性,利用不断改变加入瞬时小信号的幅值从而改变信噪比,探究不同信噪比条件下本文提出方法和传统混沌算法的检测效果,做200次蒙特卡洛仿真实验,获得如图4所示的检测率对比图,定义检测率η=N1/N,其中N1为成功检测到微弱信号的次数,N为实验总次数。通过对比图可以发现,本文算法检测性能较混沌算法有明显优势。在信噪比高于-20 dB时,两种算法均能较为准确地检测微弱信号的存在;然而当信噪比低于-20 dB时,传统混沌算法检测率陡降,检测性能大打折扣,检测率已经不能满足实际工程应用的要求,反观本文方法检测率稳定缓缓下降,即使信噪比达到-104.147 3 dB,本文检测率依然为83.2%,表明本文算法在较低信噪比下检测信号的有效性。

频率为0.031 8,信噪比达到-89.5 dB,得到优化后的参数C=93 580, σ=0.635 0, ε= 0.014 6,预测结果的均方根误差RMSE为0.000 091 8。通过观测含周期信号的预测误差如图4所示,不能确定微弱信号的位置,所以对误差幅度进行快速傅里叶变换,研究预测误差的频谱特性观察图5的误差频谱图,不难发现,在频率为0.031 8处频谱图出现显著峰值,能够确定微弱周期信号的存在,在其他频率时同样出现小锯齿,主要是因为整个预测模型本身存在误差以及在预测系统中所加的微弱瞬时信号和周期信号的干扰。图4 含周期信号的预测误差

【参考文献】：
期刊论文
[1]人工免疫算法优化双支持向量机在拱坝变形预测中的应用[J]. 曹延明,井德泉,刘春高.  长江科学院院报. 2019(12)
[2]基于免疫算法的全断面岩石掘进机刀盘滚刀布局设计理论研究[J]. 朱殿华,宋立玮,郭伟.  机械设计. 2018(11)
[3]海杂波特性认知研究进展与展望[J]. 丁昊,董云龙,刘宁波,王国庆,关键.  雷达学报. 2016(05)
[4]基于C-C算法的混沌吸引子的相空间重构技术[J]. 胡瑜,陈涛.  电子测量与仪器学报. 2012(05)
[5]基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测[J]. 行鸿彦,金天力.  物理学报. 2010(01)
[6]混沌背景中微弱信号检测的神经网络方法[J]. 行鸿彦,徐伟.  物理学报. 2007(07)
[7]基于Lyapunov指数的弱周期信号检测[J]. 刘丁,任海鹏,李虎明.  仪器仪表学报. 2005(12)
[8]基于互相关检测和混沌理论的弱信号检测方法研究[J]. 聂春燕,石要武.  仪器仪表学报. 2001(01)



本文编号：3560714