混沌背景中微弱谐波信号检测的svm方法 - 副本

《混沌背景中微弱谐波信号检测的svm方法 - 副本》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、维普资讯http://www.cqvip.com第28卷第3j9J仪器仪表学报Vol，28No．320073JJChineseJournalofScientificlnslrnnleltMan2007混沌背景中微弱谐波信号检测的SVM方法杜京义，侯媛彬(西安科技大学西安710054)摘要：为了提高混沌背景下的微弱谐波信号检测能力，提出了一种提取混沌背景中微弱谐波信号的支持向量机(suppo~vec—tormachines，SVM)方法。该方法的突出特点是针对小样本或嵌入维数未知的情况，建立混沌噪声的一步预测模型，抑制噪声对混沌背景信号预测的影响，起到预滤波作用，然后从

2、预测误差中提取微弱谐波信号。实验结果表明，该方法具有比传统RBF神经网络预测方法更强的稳健性和泛化性，在信噪比(SNR)为一47．931dB时仍可检测出强混沌中的微弱凿波信号。关键词：微弱信号检测；混沌；支持向量机；预测模型；重构空间中图分类号：TN911．7文献标识码：A国家际准学科分类代码：460．4010DetectionofweakharmonicsignalembeddedinchaoticnoiseusingSVMDuJingyi，HouYuanbin(Xi’anUniversityofScienceandTechnology，Xi’an710054，Ch

3、ina)Abstract：Inordertodetectweakharmonicsignalembeddedinnoisychaoticbackground，themethodofsupportvectormachine(SVM)isproposed，whichisusedtoextractweakharmonicsignalunderchaoticbackground．Theoutstandingfeatureofthemethodisbuildingone-steppredictionmodelofthechaoticnoise(includingwhiteorc

4、ol-orednoise)forsmallsampleorunknownembeddeddimensionsituation．Themodelcansuppresstheinfluenceofnoiseonthepredictionofchaoticbackgroundsignal，andprovidepre—filteringfunction，thenitextractsweakhar-monicsignalfrompredictederror．ExperimentalresultshowsthatcomparingwithconventionalRBFneural

5、networkpredictionmethod，SVMmethodhasstrongerrobustnessandgeneralizationability．ThemethodCandetectweakhar-monicsignalwhensignal—noise—radio(SNR)isaslowas一47．931dB．Keywords：weaksignaldetection；chaos；SVM；predictionmodel；reconstructionattractor测，这3种方法在不同应用领域各有千秋。神经网络是1引言实现全局预测的一种简单、有效的方法，尤其

6、是在混沌时序复杂、混沌动力学方程未知的情况下，更能显示出该方越来越多的研究表明，在雷达、通信、生态学、地震学法的优势。人们已将其应用于混沌背景下的微弱信号检等许多领域的微弱信号背景中广泛存在着混沌信号⋯。测问题，预测结果表明它能够进行精确的预测引。但是混沌背景中的微弱信号检测大致可分为2个阶段，首先由于前馈型神经网络在训练中最小化样本点误差，因而是提取微弱信号，即根据相空间重构理论和混沌时间序不可避免地会出现“过拟合”现象，导致模型的泛化能力列产生的确定性非线性机理建立混沌预测模型；然后是受到了限制，而且还存在隐层节点数的选择、局部极小等微弱信号检测，在完成混沌预测后

7、，可以有效去除混沌背问题，从而大大限制了其进一步的应用。景信号，根据待检测信号的特点，利用滤波或谱分析等成支持向量机是由Vapnik在20世纪90年代中期提出熟信号处理的方法完成信号提取目的。预测混沌时间序的一种机器学习算法。用SVM逼近函数的方法称为支列的方法可分为全局预测、局部预测和非线性自适应预持向量回归(supportvectorregression，SVR)，SVR通过同收稿日期：2006-01ReceivedDate：2006-01基金项目：陕西省自然科学基金(2004JC12)资助项目维普资讯http://www.cqvip.com55