混沌背景中基于优化组合支持向量机的微弱信号检测方法与流程

本发明涉及检测混沌背景中的微弱信号的方法领域，尤其涉及通过改进教学优化算法对支持向量机模型参数进行优化。

背景技术：

混沌现象是由非线性确定系统产生的一种不规则运动,广泛存在于气象、水文、通信及经济等众多领域。混沌具有内随机性、整体稳定局部不稳定、短期可预测而长期不可预测性等特征。近年来,随着混沌理论研究的不断深入及其在信号处理、自动控制、电力及金融短期预测等领域中的广泛应用,混沌时间序列的建模和预测已成为混沌领域的一个非常重要的研究方向。

随着人工智能方法的出现，越来越多的研究者将其应用到时间序列预测中。近些年以来，研究学者提出了许多方法包括神经网络、回声状态网络(echostatenetwork,简记为esn)、支持向量机(supportvectormachine,简记为svm)等。支持向量机遵循结构风险最小化原则，具有维数不敏感、泛化能力好、全局最优等优点，在小样本学习中运用比较广泛。通过引入满足mercer条件的核函数，将低维的非线性问题转化为高维空间中的线性分类问题。在支持向量机理论中，不同的核函数会生成不同的算法，预测效果也不同。目前，svm的核函数主要有：全局核函数和局部核函数。全局核函数允许距离较远的点影响核函数，局部核函数允许距离较近的点影响核函数。

技术实现要素：

本发明目的在于提供一种混沌背景中基于优化组合支持向量机的微弱信号检测方法，利用itlbo算法优化组合svm模型，提高预测精度和预测效率，能快速有效地检测混沌背景中的微弱信号，且具有更低的门限。

为达成上述目的，结合图1，本发明提出一种混沌背景中基于优化组合支持向量机的微弱信号检测方法，所述方法包括：

将径向基核函数与多项式核函数结合构成组合核函数支持向量机，采用改进教学优化算法优化所述组合核函数支持向量机得到最优参数，利用优化后的最优参数建立最终的组合支持向量机预测模型，对单步预测误差进行分析并从中判断混沌背景噪声中是否存在微弱目标信号。

进一步的实施例中，所述方法包括以下步骤：

s1：将径向基核函数与多项式核函数结合构成组合核函数支持向量机，确定组合核函数比例ρ、惩罚系数c、多项式参数q和径向基宽度σ的取值范围，设教学次数g＝0，最大教学次数为g；

s2：对合核函数比例ρ、惩罚系数c、多项式参数q和径向基宽度σ四个参数进行实数编码；

s3：利用组合向量机进行预测，计算个体的适应度；

s4：利用改进教学优化算法优化后得到最优参数，教学次数g加1；

s5：判断教学次数g是否等于最大教学次数g，如果g＝g则进入步骤s6，否则重复步骤s3至s5直至g＝g；

s6：输出优化后的模型参数；

s7：利用优化后的最优参数建立组合支持向量机预测模型并且用以预测混沌序列，判断混沌背景噪声中是否存在微弱目标信号。

进一步的实施例中，所述方法还包括：

所述步骤s3中，利用组合向量机进行预测，通过下述公式求个体的适应度：

其中，n是训练集个体的总数，yi表示真实值，表示预测值。

进一步的实施例中，所述方法还包括：

所述步骤s7中，利用优化后的最优参数建立组合支持向量机预测模型并且用以预测混沌序列，计算预测精度和预测时间，判断混沌背景噪声中是否存在微弱目标信号。

进一步的实施例中，所述方法还包括：

所述步骤s4中，利用改进教学优化算法中的教授、学习、反馈三个阶段优化后得到最优参数，教学次数g加1。

进一步的实施例中，所述方法还包括：

对劳伦兹混沌系统和实测海杂波数据进行仿真实验，以验证组合支持向量机预测模型的有效性。

以上本发明的技术方案，与现有相比，其显著的有益效果在于，。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的具体实施例一的方法流程图。

图2是本发明的具体实施例二的方法流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

针对背景技术中提到的传统svm预测模型存在的问题，本发明将rbf核函数与多项式核函数结合构成组合核函数支持向量机，采用改进教学优化算法(improvedteachinglearningbasedoptimization,简记为itlbo)优化预测模型得到最优参数，提出了混沌背景中检测微弱信号的基于改进教学优化算法的组合支持向量机方法。

教与学优化算法(tlbo)是近年来提出的一种新颖的群体智能算法，模拟的是现实生活中教师教学与学生学习从而提高学习成绩的过程，算法具有简单性、可扩展性、灵活性、稳健性、自组织性、隐含并行性等特点，被广泛应用于多种领域。

相对于基本教与学优化算法(tlbo)，改进的教与学优化算法(itlbo)通过加入反馈阶段，使得成绩较差的学生与教师及时进行反馈交流，提高了算法的寻优精度；同时,为了克服早熟收敛现象，引入准确性因子，维持了种群多样性，数值试验表明itlbo算法比基本tlbo算法在收敛速度和寻优精度上更具有优势。

具体实施例一

结合图1，本发明提及一种混沌背景中基于优化组合支持向量机的微弱信号检测方法，所述方法包括：

将径向基核函数与多项式核函数结合构成组合核函数支持向量机，采用改进教学优化算法优化所述组合核函数支持向量机得到最优参数，利用优化后的最优参数建立最终的组合支持向量机预测模型，对单步预测误差进行分析并从中判断混沌背景噪声中是否存在微弱目标信号。

本发明将rbf核函数与多项式核函数结合构成组合核函数支持向量机，并采用itlbo算法优化预测模型得到最优参数，有效避免了在svm模型参数选择上的盲目性，提高了工作效率及svm在混沌时间序列预测中的性能。这种方法能很好地检测出微弱目标信号，且检测门限低、预测精度高。

具体实施例二

结合图2，本发明所提及的方法包括以下步骤：

s1：将径向基核函数与多项式核函数结合构成组合核函数支持向量机，确定组合核函数比例ρ、惩罚系数c、多项式参数q和径向基宽度σ的取值范围，设教学次数g＝0，最大教学次数为g。

s2：对合核函数比例ρ、惩罚系数c、多项式参数q和径向基宽度σ四个参数进行实数编码。

s3：利用组合向量机进行预测，计算个体的适应度。

s4：利用改进教学优化算法优化后得到最优参数，教学次数g加1。

s5：判断教学次数g是否等于最大教学次数g，如果g＝g则进入步骤s6，否则重复步骤s3至s5直至g＝g。

s6：输出优化后的模型参数。

s7：利用优化后的最优参数建立组合支持向量机预测模型并且用以预测混沌序列，判断混沌背景噪声中是否存在微弱目标信号，具体的，利用优化后的最优参数建立组合支持向量机预测模型并且用以预测混沌序列，计算预测精度和预测时间，判断混沌背景噪声中是否存在微弱目标信号。通过建立混沌背景噪声的一步预测模型，从预测误差中检测淹没在混沌背景噪声中的微弱目标信号，改善了信噪比。

其中，组合svm的预测精度由组合核函数比例ρ、惩罚系数c、多项式参数q和rbf宽度σ四个参数决定，通过计算适应度函数的值判断svm预测能力。

在一些例子中，适应度函数为

其中，n是训练集个体的总数，yi表示真实值，表示预测值。

因此，在所述步骤s3中，利用组合向量机进行预测，可以通过上述公式求个体的适应度。

结合图2，所述步骤s4中，利用改进教学优化算法中的教授、学习、反馈三个阶段优化后得到最优参数，教学次数g加1。

itlbo算法通过在学习阶段之后加入反馈阶段，增加较差学生与教师交流的机会，加快较差学生向好学生靠拢的速度，有效避免在组合svm模型参数选择上的盲目性。通过itlbo算法优化组合svm模型参数并建立预测模型，对单步预测误差进行分析并从中判断混沌背景噪声中是否存在微弱目标信号。

在另一些例子中，假设前述混沌系统为劳伦兹混沌系统，所述方法还包括：

对劳伦兹混沌系统和实测海杂波数据进行仿真实验，以验证组合支持向量机预测模型的有效性。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。