基于相空间重构的混沌背景下微弱信号检测方法仿真

1.1算法参数取值对系统性能的影响

在研究算法性能之前，首先需要分析各个参数对算法整体性能的影响，本文将重点考虑相空间重构参数和m，SVM支持向量机参数C和。这里分别对四个参数进行性能影响测试，首先对延迟参数进行分析，其仿真结果如下所示：

图1 延迟参数对系统预测性能的影响仿真分析

从图1的仿真结果可知，随着延迟时间的增加，系统性能基本上呈现逐渐降低。但是当延迟时间大于5的时候，性能性能又出现了一定程度的提升。因此，该参数和性能性能并不是线性变化的关系。

图2 嵌入维数对系统预测性能的影响仿真分析

从图2的仿真结果可知，随着嵌入维数的增加，系统性能基本上呈现逐渐提升。但当嵌入维数大于3的时候，系统的性能基本保持平稳状态。

图3 惩罚因子对系统预测性能的影响仿真分析

从图3的仿真结果可知，随着惩罚因子的增加，系统的性能在出现一次提升之后，当惩罚因子大于50的时候，性能基本保持不变。

图4 核函数参数对系统预测性能的影响仿真分析

从图4的仿真结果可知，随着核函数参数的增加，系统的性能在出现了逐渐的提升，随着核函数参数的不断增加，系统性能提升逐渐变缓。

从上面对四个参数的对比仿真分析可知，四个参数对系统性能影响并不是满足线性关系的，四个参数相互之间有着一定程度的相关性，因此，采用传统的单个参数分析的方法并不能获得最优的参数设置。针对这个问题，本文将分别提出一种基于PSO优化参数和SVM的预测方法以及一种基于GA+PSO改进优化算法和SVM的预测方法。

1.2混沌背景下微弱瞬态信号的检测方法仿真与分析

首先，对于SVM算法的预测效果进行测试，通过人工任意设置四个参数（2，3，300.9962，2.93），并在481点到520点加入一个幅度为0.0004的随机的瞬间信号，然后使用SVM算法进行预测，其仿真结果如下图所示：

图5 基于SVM算法的微弱瞬态信号检测仿真

从图5的仿真结果可知，预测误差的整体RMSE值在10的-3次左右，在不考虑参数优化的情况下，通过任意设置参数的方式，其预测结果较差，上图仿真结果中，200点，780点均出现了错误的检测结果，从而因此错误预测。由此可见，通过参数优化对预测效果的提升有着决定性的作用。

图6 基于PSO优化的SVM算法的微弱瞬态信号检测仿真

从图6的仿真结果可知，预测误差的整体RMSE值在10的-4次左右，且改善了部分区域干扰的影响，上图中，200点的干扰信号已经小于481点和520点的幅度，在481点到520点的区域出现了较大的幅度，说明瞬时微弱信号的存在，总体而言，通过PSO优化之后，系统的预测性能得到了明显的改善。

下面对通过GAPSO联合优化参数的SVM进行对含有微弱瞬态信号的混沌背景信号进行预测，通过GAPSO优化，获得（2，2，551.6683，0.2098），获得如下的仿真结果：

图7基于GAPSO优化的SVM算法的微弱瞬态信号检测仿真

从图7的仿真结果可知，预测误差的整体RMSE值在10的-4次左右，且改善了部分区域干扰的影响，上图中，在481点到520点的区域出现了较大的幅度，说明瞬时微弱信号的存在。在481点和520点的幅度相对于其余误差信号的幅度明显大于基于PSO优化，总体而言，通过GAPSO优化之后，系统的预测性能得到了明显的改善，且性能优于基于PSO优化的SVM预测算法。

表1 三种算法微弱信号的检测结果对比

	瞬态信号检测RMSE	周期信号检测RMSE
SVM	3.3310e-04	0.0014
PSO+SVM	3.2514e-04	3.7837e-04
GAPSO+SVM	2.2683e-04	2.5819e-04

从三种算法的RMSE值对比可知，GAPSO+SVM算法性能最优。

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\'
%作为对比，直接通过SVM算法，没有通过优化算法直接进行算法的仿真；

%四大参数%参数为人工的任意的设置方式产生
tao = 2;
m = 3;
C = 300.9962;
gamma = 2.93;

%导入数据
load 训练\X_train.mat;
load 测试\X_test.mat;

X_train0 = X_train;
X_test0 = X_test;

figure;
plot(X_test0);
xlabel('样本点n');
ylabel('幅值');

[y1,input1ps] = mapminmax(X_train0');
[y2,input2ps] = mapminmax(X_test0');
X_train = y1';
X_test = y2';

%先进行相空间重构
[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);
%叠加
dn1 = dn1 + sn';

%SVM训练%做单步预测
cmd = ['-s 3',' -t 2',[' -c ', num2str(C)],[' -g ',num2str(gamma)],' -p 0.000001'];
model = svmtrain(dn,Xn,cmd);
%SVM预测
[Predict1,error1] = svmpredict(dn1,Xn1,model);
RMSE = sqrt(sum((dn1-Predict1).^2)/length(Predict1));
Err = dn1-Predict1;
%误差获取
clc;
RMSE

figure;
plot(Err,'b');
title('混沌背景信号的预测误差');
xlabel('样本点n');
ylabel('误差幅值');

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('归一化频率');
ylabel('频谱');
text(0.06,0.07,'f=0.05Hz');

A-07-06

基于相空间重构的混沌背景下微弱信号检测方法仿真相关推荐

室内可见光通信系统中基于压缩感知的空移键控信号检测方法
摘要针对基于空移键控(Space Shift Keying,SSK)的室内可见光通信(Visible Light Communications,VLC)系统中的信号检测,本文将其转换为稀疏信号重构问 ...
基于并行搜索的低信噪比环境下GPS信号检测算法FPGA实现
目录一.理论基础二.核心程序三.测试结果一.理论基础全球定位系统(Global Positioning System,GPS),是一种以人造地球卫星为基础的高精度无线电导航的定位系统,它在全 ...
混沌性时间序列的分析方法：EEMD+相空间重构
一.引言上一篇文章中,我们理解了混沌理论的发展.定义以及特点. 接下来,要结合我的研究方向,在机械振动时间序列信号的基础上,做出故障的诊断和预判. 时间序列也是结构化的数据,每一个时间戳下就有一个值 ...
时间序列模型之相空间重构
一般的时间序列主要是在时间域中进行模型的研究,而对于混沌时间序列,无论是混沌不变量的计算,混沌模型的建立和预测都是在所谓的相空间中进行,因此相空间重构就是混沌时间序列处理中非常重要的一个步骤.所谓混沌 ...
R语言实现相空间重构的参数选取
前言最近写论文用到了相空间重构(PSR)技术,该方法简单来说就是将一个一维的时间序列通过重构的方法映射为一个矩阵,且该矩阵保留了原始时间序列的特征. 进行PSR的关键是确定两个参数:延迟时间和嵌入维 ...
信号检测：基于双稳随机共振的微弱信号检测含Matlab源码
信号检测:基于双稳随机共振的微弱信号检测含Matlab源码双稳随机共振是一种有效的微弱信号检测方法,广泛应用于各个领域.本文将介绍如何使用Matlab实现基于双稳随机共振的微弱信号检测,并提供相应的 ...
云原生背景下故障演练体系建设的思考与实践—云原生混沌工程系列之指南篇
作者:智妍(郑妍).浣碧(何颖) 什么是混沌工程,云原生大潮下的混沌工程特点通过使用云计算厂商如阿里云.AWS 等提供的服务,现代服务提供者得以用更低廉的成本,更稳定地进行丰富的软件服务提供 ...
SaaS：新智能背景下重构各个领域的生态系统
2019独角兽企业重金招聘Python工程师标准>>> 全球金融风波直接影响着国际厂商中国合作模式的激变,外企"生态"战略已全面布局. "生态" ...
慕课：如何用offcie MIX制作视频教--慕课背景下的教学重构
视频看不到,大家访问这里可以看视频教学: https://mp.weixin.qq.com/s?__biz=MjM5Mzk4NDc5NQ==&mid=2652872272&idx=1& ...

基于相空间重构的混沌背景下微弱信号检测方法仿真

基于相空间重构的混沌背景下微弱信号检测方法仿真相关推荐

最新文章

热门文章