基于P系统的电磁环境参数预测

发布时间：2017-05-26 12:08

  本文关键词：基于P系统的电磁环境参数预测，，由笔耕文化传播整理发布。

【摘要】：近年来,随着经济与科技的迅速发展,电磁环境日趋复杂,准确预测电磁环境参数变化趋势是频谱管理的重要依据,可以帮助决策者做出最优方案。根据已有研究成果分析,现有无线电监测电磁环境的预测生成与可视化研究还处于研究初期,主要工作集中在特定战场环境的电磁环境仿真与可视化研究,还没有基于监测数据的全景电磁环境预测生成与可视化的系统解决方案。为了克服现有技术的不足,提高无线电监测智能化水平,掌握电磁环境参数的变化趋势。本文将展开相关问题的研究,提出完整的算法与解决方案。本文的主要工作如下：(1)提出了一种基于P系统的混沌时间序列预测模型(P-LSSVM),该模型利用膜计算优化算法对相空间重构中的参数(延时Υ和嵌入维m)和最小二乘支持向量机(LS-SVM)中的参数(惩罚因子γ和核参数σ)进行联合优化。并把P-LSSVM模型用在电磁环境参数预测中。(2)提出了一种基于FCM的模糊Markov预测模型(FCM Fuzzy-Markov)。该模型首先用FCM算法对时间序列进行模糊状态划分(每一个聚类中心代表一个状态),其次利用隶属函数,计算时间序列任一个时刻的值,关于各个模糊状态的隶属度向量及转移概率。最后,将预测点的隶属度向量作为权重,利用聚类中心计算预测值。并将FCM Fuzzy-Markov模型用在电磁环境参数预测中。(3) P-LSSVM模型与FCM Fuzzy-Markov模型比较分析,通过实验发现对于混沌时间序列预测,P-LSSVM模型比FCM Fuzzy-Markov模型效果更优。
【关键词】：P系统 最小二乘支持向量机 混沌时间序列 电磁环境参数预测
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O211.61;TP18
【目录】：

• 摘要4-5
• Abstract5-8
• 1 绪论8-13
• 1.1 研究背景及意义8-9
• 1.1.1 研究背景8-9
• 1.1.2 研究意义9
• 1.2 国内外研究现状9-11
• 1.3 主要研究内容11-12
• 1.3.1 基于P系统的混沌时间序列预测模型(P-LSSVM)11
• 1.3.2 基于P-LSSVM模型的电磁环境参数预测11
• 1.3.3 基于FCM的模糊Markov预测模型(FCM Fuzzy-Markov)11
• 1.3.4 基于FCM Fuzzy-Markov模型的电磁环境参数预测11-12
• 1.3.5 P-LSSVM模型与FCM Fuzzy-Markov模型比较分析12
• 1.4 论文的框架12-13
• 2 预备知识13-18
• 2.1 膜计算概述13-14
• 2.2 相空间重构14
• 2.3 最小二乘支持向量机(LS-SVM)回归14-15
• 2.4 FCM算法15-16
• 2.5 Markov预测模型16-18
• 3 基于P系统的混沌时间序列预测模型(P-LSSVM)18-40
• 3.1 引言18
• 3.2 细胞状膜结构的建立及对象的生成18-19
• 3.3 适应度函数构造19
• 3.4 运算规则的选择19-20
• 3.5 参数联合优化算法具体步骤20-21
• 3.6 基于P-LSSVM模型的电磁环境参数预测21-39
• 3.6.1 实验数据来源21-22
• 3.6.2 数据预处理22-23
• 3.6.3 参比模型及评价标准23-24
• 3.6.4 实验结果24-39
• 3.6.5 实验结果分析39
• 3.7 小结39-40
• 4 基于FCM的模糊Markov预测模型(FCM Fuzzy-Markov)40-46
• 4.1 引言40
• 4.2 模糊状态划分40-41
• 4.3 计算转移概率及转移概率矩阵41
• 4.4 对未来时刻n+1做预测41-42
• 4.5 基于FCM Fuzzy-Markov模型的电磁环境参数预测42-45
• 4.5.1 实验数据来源42-43
• 4.5.2 实验结果43-45
• 4.5.3 实验结果分析45
• 4.6 小结45-46
• 5 P-LSSVM模型与FCM Fuzzy-Markov模型比较实验46-50
• 5.1 实验数据来源46
• 5.2 实验结果46-48
• 5.2.1 单步预测46-47
• 5.2.2 多步预测47-48
• 5.3 实验结果分析48-49
• 5.4 小结49-50
• 6 总结与展望50-51
• 6.1 全文工作总结50
• 6.2 未来研究方向50-51
• 参考文献51-55
• 攻读硕士学位期间发表论文及科研成果55-56
• 发表的论文55
• 负责及参加的科研项目55-56
• 致谢56

【相似文献】

中国期刊全文数据库 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

4 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

5 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

6 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

7 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

8 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

9 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

10 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

7 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

8 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

9 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年

10 董晓莉;时间序列数据挖掘相似性度量和周期模式挖掘研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

  本文关键词：基于P系统的电磁环境参数预测，由笔耕文化传播整理发布。

本文编号：396754