[发明专利]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

说明书

本发明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，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。本发明能够利用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。

技术领域

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(echo state network,简记为ESN)、支持向量机(support vector machine,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。

发明内容

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，y_i表示真实值，表示预测值。