本文關(guān)鍵詞：支持向量機及其在天線設(shè)計中的應(yīng)用研究

  更多相關(guān)文章： 支持向量機 粒子群優(yōu)化 混合核函數(shù) SVM集成 DOA 微帶天線

【摘要】：支持向量機(Support Vector Machine,SVM)是根據(jù)統(tǒng)計學習理論(Statistical Learning Theory,SLT)而提出來的機器學習方法,由于它適合解決非線性、小樣本、高維數(shù)等問題,已經(jīng)在信息的分類檢索、生物醫(yī)學、通信等領(lǐng)域得到了廣泛的應(yīng)用。在電磁領(lǐng)域,如天線設(shè)計、DOA估計等問題,往往模型結(jié)構(gòu)較為復(fù)雜、樣本獲取較困難,用SVM來解決電磁問題,不僅減少了天線設(shè)計者的大量而繁瑣的數(shù)學計算工作,也降低了實際測量所需要的昂貴成本,更適合用于電磁問題上。但是在SVM的研究過程中,核函數(shù)的選擇是至關(guān)重要的,針對單一核函數(shù)不能兼顧插值能力和外推能力,本文研究了混合核函數(shù)的思想,并使用粒子群(Particle Swarm Optimization,PSO)優(yōu)化算法來進行參數(shù)尋優(yōu);同時為了進一步提高預(yù)測精度,本文研究了SVM集成的思想,并分別將這兩種方法應(yīng)用于幾個天線設(shè)計及DOA估計問題上。具體安排如下:(1)針對單一核函數(shù)的各自優(yōu)勢,研究了將全局核函數(shù)和局部核函數(shù)相結(jié)合的一種混合核函數(shù),結(jié)合PSO優(yōu)化算法來尋參,并且用UCI數(shù)據(jù)庫中的數(shù)據(jù)集以及測試函數(shù)進行了驗證和分析。(2)為了進一步提高SVM的預(yù)測精度和穩(wěn)定性,研究了SVM集成的思想,各個參數(shù)及權(quán)系數(shù)的選擇均采用PSO優(yōu)化算法,通過用UCI數(shù)據(jù)庫中的數(shù)據(jù)集與單個SVM及人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)進行了對比分析。(3)將基于混合核函數(shù)的PSO-SVM對DOA估計問題進行了建模,分別比較了兩個信號源、不同信噪比、不同快拍數(shù)的情況下的估計誤差,并將建模誤差與ANN、單核SVM的誤差進行了對比分析。(4)用設(shè)計的基于混合核函數(shù)的PSO-SVM對緊湊型微帶天線(Compact Microstrip Antennas,CMSA)如:平面倒F天線(Planar Inverted F-shaped Antenna,PIFA)、L型MSA的諧振頻率問題進行建模,利用HFSS(High Frequency Structure Simulator,HFSS)建立PIFA天線仿真模型獲取樣本數(shù)據(jù),并將建模誤差與單一核函數(shù)的誤差、HFSS仿真誤差進行了對比分析。(5)將SVM集成用于矩形MSA諧振頻率建模,并分析了基于不同的單一核函數(shù)的SVM的預(yù)測結(jié)果,同時將它們的預(yù)測誤差與ANN預(yù)測結(jié)果作了對比。(6)將SVM集成用于對切角方形圓極化MSA進行綜合建模,并將其和BP-NN、單個SVM的預(yù)測結(jié)果進行對比分析。
【關(guān)鍵詞】：支持向量機 粒子群優(yōu)化 混合核函數(shù) SVM集成 DOA 微帶天線
【學位授予單位】：江蘇科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN820;TP18
【目錄】：

• 摘要5-6
• Abstract6-12
• 第1章 緒論12-18
• 1.1 課題的研究背景及意義12-13
• 1.2 課題的研究現(xiàn)狀13-15
• 1.2.1 SVM的研究概況13-14
• 1.2.2 天線設(shè)計的研究概況14-15
• 1.2.3 SVM在天線設(shè)計中的研究概況15
• 1.3 本文的研究內(nèi)容及章節(jié)安排15-18
• 第2章 SVM及其改進18-32
• 2.1 SVM的基本原理18-21
• 2.1.1 線性可分18-19
• 2.1.2 線性不可分19-20
• 2.1.3 特征空間與核函數(shù)20-21
• 2.2 基于PSO優(yōu)化混合核函數(shù)的SVM21-27
• 2.2.1 混合核函數(shù)21-22
• 2.2.2 基于PSO算法的混合核函數(shù)22-23
• 2.2.3 基于混合核函數(shù)的PSO-SVM的回歸實驗23-27
• 2.3 基于二進制PSO算法的SVM集成27-29
• 2.3.1 集成的概述27
• 2.3.2 基于BiPSO算法的選擇性集成27-28
• 2.3.3 基于BiPSO的SVM集成的回歸實驗28-29
• 2.4 本章小結(jié)29-32
• 第3章 基于混合核函數(shù)的PSO-SVM用于DOA估計建模32-40
• 3.1 DOA估計32-33
• 3.2 DOA估計的SVM模型33-35
• 3.3 基于混合核函數(shù)的PSO-SVM用于DOA估計建模35
• 3.4 數(shù)值仿真實驗35-38
• 3.4.1 2 個信號源的不同方法比較35-36
• 3.4.2 不同方法在不同信噪比下的性能比較36-37
• 3.4.3 2 不同方法在不同快拍數(shù)下的性能比較37-38
• 3.5 本章小結(jié)38-40
• 第4章 基于混合核函數(shù)的CMSA諧振頻率建模40-52
• 4.1 基于混合核函數(shù)的SVM用于PIFA諧振頻率建模40-48
• 4.1.1 PIFA的概述40-41
• 4.1.2 電磁仿真軟件HFSS的概述41-43
• 4.1.3 訓練樣本的獲取43-44
• 4.1.4 基于混合核函數(shù)的PSO-SVM用于PIFA諧振頻率的建模44-46
• 4.1.5 HFSS驗證46-48
• 4.2 基于混合核函數(shù)的PSO-SVM用于L形MSA諧振頻率建模48-50
• 4.2.1 L形MSA的諧振頻率48
• 4.2.2 數(shù)值實驗和結(jié)果分析48-50
• 4.3 本章小結(jié)50-52
• 第5章 基于SVM集成的矩形MSA諧振頻率建模52-56
• 5.1 矩形MSA的諧振頻率52-53
• 5.2 數(shù)值實驗和結(jié)果分析53-55
• 5.3 本章小結(jié)55-56
• 第6章 基于SVM集成的圓極化MSA綜合56-62
• 6.1 圓極化MSA56-58
• 6.2 基于SVM集成的圓極化MSA綜合建模58-59
• 6.3 本章小結(jié)59-62
• 結(jié)論62-64
• 參考文獻64-70
• 攻讀碩士期間發(fā)表的學術(shù)論文70-72
• 攻讀碩士期間獲得的獎勵72-74
• 致謝74

，

本文編號：1025386