应用支持向量机和人工神经网络对大气次声信号识别的初步实验

发布时间：2022-01-22 07:32

　　针对短时窗平均/长时窗平均算法从次声台站监测数据中提取的信号仍然包含噪声的问题,对支持向量机和人工神经网络的机器学习方法进行了研究。采用小波包分解的方法对信号进行重构,提取出各频带内的重构信号能量特征,对事件信号和噪声进行了识别实验,并分析了提高识别能力的方法,为工程应用提供理论参考。实验结果表明,在训练数据集不大的情况下,通过优化模型结构可以将两种方法的识别能力提高到可以接受的水平。 

【文章来源】：应用声学. 2020,39(02)北大核心CSCD

【文章页数】：9 页

【文章目录】：
0 引言
1 次声信号检测
2 基于小波包分解的信号能量特征
3 基于SVM的次声事件识别
    3.1 SVM理论
        3.1.1 基本思想
        3.1.2 核函数
        3.1.3 松弛变量
    3.2 次声事件识别
    3.3 结果分析
4 基于ANN的次声事件识别
    4.1 ANN模型
    4.2 次声事件识别
    4.3 结果分析
5 结论


【参考文献】：
期刊论文
[1]微地震事件不同初至拾取方法的对比分析[J]. 段建华.  煤田地质与勘探. 2014(03)
[2]支持向量机理论及算法研究综述[J]. 汪海燕,黎建辉,杨风雷.  计算机应用研究. 2014(05)
[3]核爆次声监测技术的研究现状与技术可行性分析[J]. 程先友,青建华,庞新良.  核电子学与探测技术. 2013(04)
[4]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[5]互相关算法在次声监测数据处理中的应用[J]. 唐伟,刘俊民,王晓明,邱宏茂,盖磊,王海军.  环境工程. 2010(06)
[6]前向神经网络隐含层节点数的一种优化算法[J]. 夏克文,李昌彪,沈钧毅.  计算机科学. 2005(10)
[7]基于支持向量机的核爆地震自动识别[J]. 张斌,李夕海,苏娟,刘代志.  核电子学与探测技术. 2005(01)
[8]神经网络的泛化理论和泛化方法[J]. 魏海坤,徐嗣鑫,宋文忠.  自动化学报. 2001(06)
[9]关于统计学习理论与支持向量机[J]. 张学工.  自动化学报. 2000(01)



本文编号：3601795