1.1算法參數(shù)取值對系統(tǒng)性能的影響

??????? 在研究算法性能之前，首先需要分析各個參數(shù)對算法整體性能的影響，本文將重點(diǎn)考慮相空間重構(gòu)參數(shù)和m，SVM支持向量機(jī)參數(shù)C和。這里分別對四個參數(shù)進(jìn)行性能影響測試，首先對延遲參數(shù)進(jìn)行分析，其仿真結(jié)果如下所示：

?

圖1 延遲參數(shù)對系統(tǒng)預(yù)測性能的影響仿真分析

??????? 從圖1的仿真結(jié)果可知，隨著延遲時間的增加，系統(tǒng)性能基本上呈現(xiàn)逐漸降低。但是當(dāng)延遲時間大于5的時候，性能性能又出現(xiàn)了一定程度的提升。因此，該參數(shù)和性能性能并不是線性變化的關(guān)系。

?

圖2 嵌入維數(shù)對系統(tǒng)預(yù)測性能的影響仿真分析

??????? 從圖2的仿真結(jié)果可知，隨著嵌入維數(shù)的增加，系統(tǒng)性能基本上呈現(xiàn)逐漸提升。但當(dāng)嵌入維數(shù)大于3的時候，系統(tǒng)的性能基本保持平穩(wěn)狀態(tài)。

?

圖3 懲罰因子對系統(tǒng)預(yù)測性能的影響仿真分析

??????? 從圖3的仿真結(jié)果可知，隨著懲罰因子的增加，系統(tǒng)的性能在出現(xiàn)一次提升之后，當(dāng)懲罰因子大于50的時候，性能基本保持不變。

?

圖4 核函數(shù)參數(shù)對系統(tǒng)預(yù)測性能的影響仿真分析

??????? 從圖4的仿真結(jié)果可知，隨著核函數(shù)參數(shù)的增加，系統(tǒng)的性能在出現(xiàn)了逐漸的提升，隨著核函數(shù)參數(shù)的不斷增加，系統(tǒng)性能提升逐漸變緩。

??????? 從上面對四個參數(shù)的對比仿真分析可知，四個參數(shù)對系統(tǒng)性能影響并不是滿足線性關(guān)系的，四個參數(shù)相互之間有著一定程度的相關(guān)性，因此，采用傳統(tǒng)的單個參數(shù)分析的方法并不能獲得最優(yōu)的參數(shù)設(shè)置。針對這個問題，本文將分別提出一種基于PSO優(yōu)化參數(shù)和SVM的預(yù)測方法以及一種基于GA+PSO改進(jìn)優(yōu)化算法和SVM的預(yù)測方法。

1.2混沌背景下微弱瞬態(tài)信號的檢測方法仿真與分析

???????? 首先，對于SVM算法的預(yù)測效果進(jìn)行測試，通過人工任意設(shè)置四個參數(shù)（2，3，300.9962，2.93），并在481點(diǎn)到520點(diǎn)加入一個幅度為0.0004的隨機(jī)的瞬間信號，然后使用SVM算法進(jìn)行預(yù)測，其仿真結(jié)果如下圖所示：

?

圖5 基于SVM算法的微弱瞬態(tài)信號檢測仿真

??????? 從圖5的仿真結(jié)果可知，預(yù)測誤差的整體RMSE值在10的-3次左右，在不考慮參數(shù)優(yōu)化的情況下，通過任意設(shè)置參數(shù)的方式，其預(yù)測結(jié)果較差，上圖仿真結(jié)果中，200點(diǎn)，780點(diǎn)均出現(xiàn)了錯誤的檢測結(jié)果，從而因此錯誤預(yù)測。由此可見，通過參數(shù)優(yōu)化對預(yù)測效果的提升有著決定性的作用。

?

?

圖6 基于PSO優(yōu)化的SVM算法的微弱瞬態(tài)信號檢測仿真

??????? 從圖6的仿真結(jié)果可知，預(yù)測誤差的整體RMSE值在10的-4次左右，且改善了部分區(qū)域干擾的影響，上圖中，200點(diǎn)的干擾信號已經(jīng)小于481點(diǎn)和520點(diǎn)的幅度，在481點(diǎn)到520點(diǎn)的區(qū)域出現(xiàn)了較大的幅度，說明瞬時微弱信號的存在，總體而言，通過PSO優(yōu)化之后，系統(tǒng)的預(yù)測性能得到了明顯的改善。

???????? 下面對通過GAPSO聯(lián)合優(yōu)化參數(shù)的SVM進(jìn)行對含有微弱瞬態(tài)信號的混沌背景信號進(jìn)行預(yù)測，通過GAPSO優(yōu)化，獲得（2，2，551.6683，0.2098），獲得如下的仿真結(jié)果：

圖7基于GAPSO優(yōu)化的SVM算法的微弱瞬態(tài)信號檢測仿真

??????? 從圖7的仿真結(jié)果可知，預(yù)測誤差的整體RMSE值在10的-4次左右，且改善了部分區(qū)域干擾的影響，上圖中，在481點(diǎn)到520點(diǎn)的區(qū)域出現(xiàn)了較大的幅度，說明瞬時微弱信號的存在。在481點(diǎn)和520點(diǎn)的幅度相對于其余誤差信號的幅度明顯大于基于PSO優(yōu)化，總體而言，通過GAPSO優(yōu)化之后，系統(tǒng)的預(yù)測性能得到了明顯的改善，且性能優(yōu)于基于PSO優(yōu)化的SVM預(yù)測算法。

表1 三種算法微弱信號的檢測結(jié)果對比

	瞬態(tài)信號檢測RMSE	周期信號檢測RMSE
SVM	3.3310e-04	0.0014
PSO+SVM	3.2514e-04	3.7837e-04
GAPSO+SVM	2.2683e-04	2.5819e-04

從三種算法的RMSE值對比可知，GAPSO+SVM算法性能最優(yōu)。

clc;
clear;
close all;
warning off;
addpath 'func\'
addpath 'func_SVM_toolbox\'
addpath 'func_SVM_toolbox\java\'
addpath 'func_SVM_toolbox\java\libsvm\'
addpath 'func_SVM_toolbox\matlab\'
addpath 'func_SVM_toolbox\matlab-implement[by faruto]\'
addpath 'func_SVM_toolbox\python\'
addpath 'func_SVM_toolbox\svm-toy\'
addpath 'func_SVM_toolbox\tools\'
addpath 'func_SVM_toolbox\windows\'
%作為對比，直接通過SVM算法，沒有通過優(yōu)化算法直接進(jìn)行算法的仿真；

%四大參數(shù)%參數(shù)為人工的任意的設(shè)置方式產(chǎn)生
tao ? = 2;
m ? ? = 3;
C ? ? = 300.9962;
gamma = 2.93;

%導(dǎo)入數(shù)據(jù)
load 訓(xùn)練\X_train.mat;
load 測試\X_test.mat;

X_train0 = X_train;
X_test0 ?= X_test;

figure;
plot(X_test0);
xlabel('樣本點(diǎn)n');
ylabel('幅值');

[y1,input1ps] = mapminmax(X_train0');
[y2,input2ps] = mapminmax(X_test0');
X_train ? ? ? = y1';
X_test ? ? ? ?= y2';
?
%先進(jìn)行相空間重構(gòu)
[Xn ,dn ] = func_CC(X_train,tao,m);
[Xn1,dn1] = func_CC(X_test,tao,m);

?
t ?= 1/1:1/1:length(dn1)/1;
f ?= 0.05;
sn = 0.0002*sin(2*pi*f*t);
%疊加
dn1 = dn1 + sn';
?
%SVM訓(xùn)練%做單步預(yù)測
cmd = ['-s 3',' -t 2',[' -c ', num2str(C)],[' -g ',num2str(gamma)],' -p 0.000001'];?
model = svmtrain(dn,Xn,cmd);
%SVM預(yù)測
[Predict1,error1] = svmpredict(dn1,Xn1,model);
RMSE ? ? ? ? ? ? ?= sqrt(sum((dn1-Predict1).^2)/length(Predict1));
Err ? ? ? ? ? ? ? = dn1-Predict1;
%誤差獲取
clc;
RMSE?
?

figure;
plot(Err,'b');
title('混沌背景信號的預(yù)測誤差');?
xlabel('樣本點(diǎn)n');
ylabel('誤差幅值');

Fs = 1;
y ?= fftshift(abs(fft(Err)));
N ?= length(y)
fc = [-N/2+1:N/2]/N*Fs;

figure;
plot(fc(N/2+2:N),y(N/2+2:N));
xlabel('歸一化頻率');
ylabel('頻譜');
text(0.06,0.07,'f=0.05Hz');

??

A-07-06

總結(jié)

以上是生活随笔為你收集整理的基于相空间重构的混沌背景下微弱信号检测方法仿真的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。