专利汇可以提供一种基于机器学习的电离层幅度闪烁检测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种结合 机器学习 的电离层幅度闪烁检测方法,该方法利用机器学习中的SVM 算法 ,对电离层幅度闪烁 信号 进行检测,依此判断是否发生闪烁事件。在此过程中,首先将接收到的GPS信号经处理并计算得幅度闪烁指数S4的最大值和平均值,将其作为学习样本对对应的闪烁事件进行标记,设置标签为1表示闪烁事件发生,为‑1表示闪烁事件未发生。接着将样本输入SVM分类器中进行学习,得到最优分类器。当新的闪烁事件 特征向量 进入SVM分类器时,将对其自动进行分类。该检测方法能同时检测大量闪烁事件,提高了检测效率的同时,简化了检测过程并获得了较高且稳定的准确度。,下面是一种基于机器学习的电离层幅度闪烁检测方法专利的具体信息内容。
1.一种基于机器学习的电离层幅度闪烁检测方法,其特征在于,包括:
(1)对于不同位置GPS接收机采集到的数据,采用窗口长度为a秒并每次移动b秒的移动窗口获取数据,对于每一次移动窗口获取的数据计算幅度闪烁指标S4;其中,a、b为正整数,且a>b;
(2)将不同位置GPS接收机采集到的数据以每t分钟为一个数据块进行划分,将每个数据块中的幅度闪烁指标的最大值和平均值作为该数据块的特征量,并采用标签标记该数据块是否发生闪烁事件,其中,t为正整数;
(3)将部分数据块的特征量和对应标签作为训练样本,并根据标签分为发生闪烁事件样本和未发生闪烁事件样本两类,剩余数据块的特征量和对应标签作为校验样本;
(4)建立线性SVM分类器模型;
(5)将两类训练样本输入线性SVM分类器模型进行交叉验证,得到SVM分类器模型中的最优超参数,获得最优SVM分类器;
(6)将校验样本中的特征量输入最优SVM分类器进行分类,将输出的分类结果与对应标签比对,当准确率达到预设值则认为SVM分类器合格;
(7)将未知的闪烁事件数据的特征量输入到合格的SVM分类器中,SVM分类器的输出即为分类结果。
2.根据权利要求1所述的基于机器学习的电离层幅度闪烁检测方法,其特征在于:步骤(1)具体包括:
(1.1)将GPS接收机接收到的数字中频信号分别与本地正交载波信号相乘产生I和Q两路基带信号,将I和Q基带信号分别与即时码相乘得到Ip和Qp;
(1.2)根据Ip和Qp采用下式计算信号的宽带功率和窄带功率:
式中,Ip,i、Qp,i分别为对Ip、Qp以每h毫秒采样一次得到的第i个采样值,Δt为功率计算间隔时间值,J表示将Ip和Qp的所有采样值以Δt为间隔分别划分成J个分段,WBP,j、NBP,j分别表示第j个分段信号的宽带功率和窄带功率;
(1.3)根据信号的宽带功率和窄带功率采用下式计算信号的标准化信号强度:
SI,raw,j=NBP,j-WBP,j
式中,SI,norm,j表示第j个分段信号的标准化信号强度,SI,trend,j表示根据SI,raw,j的4阶拟合多项式而得的去趋势信号强度;
(1.4)采用窗口长度为a秒并每次移动b秒的移动窗口获取数据,对于每一次移动窗口获取的数据计算其幅度闪烁指标S4,其中,第k次移动窗口获取的数据的幅度闪烁指标值S4为:
式中, 表示位于k次移动窗口中的a秒数据的标准化信号强度总集合,标准化信号强度数据共a*1000/Δt个,E[·]表示求数学期望。
3.根据权利要求1所述的基于机器学习的电离层幅度闪烁检测方法,其特征在于:步骤(2)具体包括:
(2.1)将不同位置GPS接收机采集到的数据以每t分钟为一个数据块进行无重叠划分;
(2.2)获取根据每个数据块中数据计算得到的多个幅度闪烁指标S4,从中提取最大值S4,max和平均值S4,avg作为该数据块的特征量,并采用标签标记该数据块是否发生闪烁事件,用数学形式表示为:
特征量:
标签:
式中,l表示数据块序号, 表示二维向量空间。
4.根据权利要求1所述的基于机器学习的电离层幅度闪烁检测方法,其特征在于:步骤(4)中建立的线性SVM分类器模型为:
约束条件:
式中,w为待求参数矩阵,b为待求参数, 为一维空间,ξl为第l个训练
样本的松弛变量,m为训练样本数量,C为超参数,表示对超过最大化边界的训练样本的容忍度,x(l)、y(l)分别表示第l个训练样本的特征量和标签。
5.根据权利要求4所述的基于机器学习的电离层幅度闪烁检测方法,其特征在于:步骤(5)具体包括:
(5.1)引入拉格朗日乘子αl,βl,将线性SVM分类器模型表示为:
分别将L对wi,bi,ξi求导并置0得:
(5.2)将上述结果代入步骤(4)建立的模型,再根据强对偶关系转换为对偶形式并去掉负号,得到模型:
约束条件:
隐藏条件:
对于该模型在MATLAB中使用函数quadprog求解,得到w的最优值w0;并根据w0求解得到b最优值b0=y(s)-w0Tx(s),其中x(s)对应的ξs=0,x(s)为支持向量,为αl≠0项所对应的训练样本特征量,y(s)为对应的标签;
(1) (2) (m)
(5.3)将训练样本特征量记为X=(x ,x ,...,x ),即2×m的矩阵;标签记为Y=(y(1),y(2),...,y(m)),即1×m的行向量,将上述矩阵和向量组合成3×m的矩阵Z=(X;Y),作为样本输入矩阵;
(5.5)将样本输入矩阵整体输入SVM分类器模型,并设置交叉验证折数和超参数C的值,在训练过程中,随机将输入的样本数等分为u份,其中每u-1份用来对模型进行学习,剩下1份对学习过的模型进行测试,得到测试准确率,依次共进行u次训练后得当前超参数C对应的平均测试准确率;
(5.6)更改超参数C的值,并返回执行步骤(5.5),从而得到不同超参数C的值对应的平均测试准确率;
(5.7)将所有超参数对应的平均准确率进行比较,找出最大准确率对应的超参数C即为最佳超参数,该参数设置下训练所得模型即为最优分类模型。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
超参数优化方法、装置、计算机设备和存储介质 | 2020-05-08 | 690 |
基于深度学习的操作系统的异常日志的处理方法及装置 | 2020-05-08 | 911 |
基于机器学习的直落式物料下料机控制方法 | 2020-05-11 | 49 |
一种用于智慧数据碰撞的机器学习方法及装置 | 2020-05-08 | 379 |
控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 | 2020-05-11 | 179 |
一种基于机器学习的应收账款兑付风险控制方法及系统 | 2020-05-08 | 568 |
一种基于区块链的安全SVM训练方法 | 2020-05-08 | 630 |
用于支持盘故障预测的方法、设备和计算机程序产品 | 2020-05-08 | 122 |
一种海量数据库表快速分类的方法 | 2020-05-08 | 492 |
视频处理方法、装置、电子设备及存储介质 | 2020-05-08 | 217 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。