文摘
水声信号的预测是水声信号处理的基础,可以应用于水下目标信号降噪,检测和特征提取。因此,提高预测精度具有重要意义的水声信号。针对水声信号序列的预测的困难,一种新的水声信号混合预测模型本文提出了变分模态分解的优点相结合(VMD),人工智能方法和优化算法。为了减少水声信号序列的复杂性,提高运行效率,原始信号分解VMD到内在模式组件(货币)根据信号的特点,和分散熵(DE)是用于分析国际货币基金组织的复杂性。子序列(VMD-DE)获得通过增加国际货币基金组织具有类似的复杂性。然后,极端学习机(ELM)是用来预测VMD-DE获得的低频子序列。支持向量回归(SVR)是用来预测高频子序列。此外,人工蜂群(ABC)算法用于优化模型性能SVR的通过调整参数。实验结果表明,提出的新的混合模型可以提供增强的准确性和减少预测误差相对于其他现有的预测方法。
1。介绍
水声信号处理是最活跃的学科之一,在海洋领域和信息(1]。这是广泛应用于军用和民用应用程序(2]。水声信号在海洋环境中被广泛关注国内外一些学者[3,4]。Taroudakis et al。5,6]分析了水声信号的统计特性,研究了信号的统计特征在地声学反演中的应用和应用程序在海洋声层析成象,李et al。7)建立了一个模型来提取水下声信号的特征。研究表明,水声信号不仅不稳定的特点,非高斯、非线性还混沌和分形的典型特征8,9]。这意味着水声信号非线性特征局部可预测性。
梁等。10)表示,联合预测结果可应用于从水声信号非线性特征的提取。此外,预测精度的改进结果水声信号可以帮助减少的信噪比(11,12]。因此,它是非常重要的研究水声信号的预测在水声信号处理。目前,人工神经网络和沃尔泰拉非线性模型主要用来预测水声信号的船只。方等。13和太阳等。14)使用沃尔泰拉级数理论建立水声信号的非线性动力学模型,实现了抑制背景噪声通过当地水声信号的预测。刘(15利用神经网络和沃尔泰拉预测海面回波。周et al。16)使用人工神经网络的理论预测船舶水下声信号。他等。17)提出了自动搜索的粒子群优化(PSO)算法的RBF神经网络基于相空间理论来预测水声信号。杨et al。18)利用小波神经网络预测水声信号。尽管上述方法取得了良好的预测结果的水声信号的神经网络容易陷入局部最优,计算时间长,容易摆动。作为一个多项式模型,沃尔泰拉很难获得令人满意的预测结果强烈非线性系列。针对这些问题,一些人工智能预测模型具有良好的性能被用来改善预测性能的非线性信号。极端学习机(ELM)提出了黄等。19)具有训练速度快的优点,而不陷入局部最小值。它已经成功地应用于各个领域的预测(20.,21]。支持向量回归(SVR)是一种机器学习算法。它将原始数据映射到高维空间的非线性函数回归分析扩张。它在解决非线性问题具有明显的优势,可以有效地提高模型的泛化能力和预测精度(22- - - - - -24]。然而,在SVR参数优化是一个重要的问题研究。惩罚参数和内核参数的选择直接影响SVR的预测精度和泛化性能。一个智能优化算法被广泛使用在SVR参数优化,因为它良好的优化性能(25,26]。王等人。27)利用遗传算法(GA)优化SVR模型和应用领域的能量预测。为了提高遗传算法的优化能力,加戈GSA-GA和PSO-GA解决约束优化问题(28,29日]。人工蜂群算法是一种新的群智能优化算法30.]。加戈(31日)使用人工蜂群算法来解决结构优化设计问题。该算法模拟群的觅食行为。它解决之间的矛盾扩大新的解决方案空间和精确搜索的解空间通过不同方案之间的合作空间。它能避免陷入局部最优解的问题,更好的性能(32]。
许多学者应用信号特性,各种问题。Hossen et al。33)使用统计信号特征提取和分类不同的调制信号参数。Taroudakis和Smaragdakis6)信号的特点,用于水下信号的反演。模态分解技术的特征信号频域的信号频带划分的目的减少建模的复杂性。经验模态分解(EMD)提出的黄等。34)是一种数据驱动的信号分解方法,它被证明是一个好的时频分析工具。然而,混合模式和最终效果35,36)由于EMD对噪声的敏感性。2014年,Dragomiretskiy和Zosso [37]提出了变分模态分解(VMD)解决问题的混合模式在EMD和最终效果。VMD有很强的分解能力,更好的噪声鲁棒性的信号分解,处理速度快,它已经成功地应用在许多领域38,39]。阿里et al。40)提出了风速数据分解使用VMD减少难以预测。吴和林41)结合VMD和小波分解预测空气质量指数和改善空气质量指数指数的预测精度。李等人。42)提出了太阳黑子数时间序列的预测模型基于VMD和BP神经网络的结合。杨et al。43水声信号的]提出了一种预测模型的基础上,结合VMD LSSVM。
如前所述,水声信号的一些预测方法如沃尔泰拉模式13),小波神经网络(18),而模态分解技术组合预测方法21,43)提出了不同的预测模型。尽管几种预测方法已经被开发出来,他们仍有一些限制:(i)发现单个预测模型不能完全捕捉非线性数据信息和需求预测精度高;(2)传统的分解集成模型使用分解方法来预测每个模式组件,这需要很长的计算时间。为了克服这些问题,本文提出了序列分解技术和最优的组合预测模型对水声信号预测。分散熵(DE)是用来计算每个模式组件的熵值和分析的复杂性。然后,近似熵相结合的模式组件减少每个模式组件的计算规模的改善预测性能。结果表明,该方法是一种有效的预测方法对水声信号。
本文的主要内容如下:在部分2的基本理论混合预测模型的每个部分将介绍;节3的总体框架模型将;节4,结果与讨论提出了水声信号预测混合模型将讨论;和结论将作为本文的最后部分。
2。基本理论
2.1。变分模态分解
VMD Dragomiretskiy提出的是一个典型的瞬时频率分析方法和Zosso37]。VMD方法的主要功能是稳定的信号。原始信号的不同频率的波动分解为一系列的序列具有不同特点,和每个序列称为一个固有模态函数(IMF)。预测模型的准确性增加了将复杂的非平稳信号分解为一系列简单使用VMD稳定信号不同的频率。VMD分解的原则如下。
在下列方程中,每一个国际货币基金组织获得的VMD的定义是振幅调制频率调制(调幅-调频)信号: 在哪里是kth IMF分量和和瞬时振幅和相位的吗 ,分别。瞬时频率是记录为 ,这是通过分化。
VMD理论假定输入信号国际货币基金组织是由有限数量的有限的带宽和不同的频率。每个国际货币基金组织(IMF)组件的约束下的总和等于输入信号 ,信号分解的变分模型构建的目的,每个国际货币基金组织(IMF)的最小化估计带宽的总和。建立变分模型的过程如下:(1)希尔伯特变换应用于每个模式组件,单边模式的频谱函数是通过分析信号的希尔伯特变换和建筑。(2)每个模式组件的分析信号与相应的中心频率,混合和每个模式组件的光谱基带是感动。(3)估计每个模式组件的带宽。(4)约束变分模型构造通过引入约束。具体结构如下:
在方程(2),和代表subsignal及其中心频率的设置,分别;K代表subsignal总数;和代表了狄拉克分布。
求解变分问题,扩展的拉格朗日函数 所示的方程(3)可以将约束问题转化为无约束问题。在接下来的方程,是二次惩罚因子,是拉格朗日乘子,和组subsignal及其中心频率,然后呢原始信号:
变分模态分解使用乘数的交替方向方法(小组ADMM)来解决方程(3); , ,和更新交替,在哪里表示迭代的数量。公式如下:
给出判别精度 ,为停止迭代收敛条件如下:
2.2。分散熵
分散熵(DE)提出的一种新方法Rostaghi和Azami44]在2016年用于量化时间序列的复杂性。速度比样本熵的计算,避免了问题排列熵忽略信号振幅值。对于一个给定的时间序列 ,分散熵的计算步骤如下:步骤1:正态累积分布函数用于正常信号x来 ,和 用于分配(1、2、…c)的整数 ,在哪里c是类的数量。第二步:构造嵌入向量 ,也就是说, 在哪里米和d分别代表了嵌入维数和延迟时间。N采样点的数量,最终的数量吗我是由采样点的数量n和米和d。地图散射模式 ,在哪里 ,和散射模式分配给的数量是 。步骤3:计算的相对频率分散模式: 在哪里代表的数量映射到 ,所以可以代表的元素数量的比例和 。步骤4:德的公式定义如下:
当计算,米和d需要提前设置。建议在43),米通常2或3,c是一个整数间4,8),和时间延迟d通常是1。在这篇文章中,米,d,c设置为3,1,分别和6。
2.3。ABC-SVR
2.3.1。支持向量回归
Vapnik [45]建立了支持向量机(SVM)基于结构风险最小化(SRM)的原理,应用于解决分类问题。然后,支持向量机用于解决回归问题。在SVR,数据x通过非线性映射到高维线性空间映射来转换从低维特征空间到高维特征空间的非线性回归线性回归问题。让训练集 ,这个函数表示为在哪里 在哪里是一个非线性映射的X高维希尔伯特空间,权向量,b是阈值,和b可以通过最小化估计以下方程: 在哪里C是惩罚因子和损失函数。通过引入松弛变量 ,优化目标可以表述如下:
拉格朗日函数可以通过引入拉格朗日乘数法 :
通过解决上述问题,可以获得SVR的回归函数:
的公式, 是核函数,它需要满足Mercer条件。在本文中,高斯RBF核函数(46是选为
可以看出,惩罚因子和核函数参数参与SVR的计算过程,为代表c和在这篇文章中。c代表了公差模型的错误,和的值c影响模型的泛化能力。RBF函数作为内核的参数,决定了分布的数据映射到新的特征空间和影响的速度训练和预测。本文最初的一系列惩罚参数和核函数参数设置为(-100 - 0.01),并选择最优的模型参数值通过ABC的迭代优化算法。
2.3.2。人工蜂群算法
人工蜂群(ABC)算法是一种优化算法来模拟蜜蜂殖民地的行为,这是由Karaboga提出和Basturk47在21世纪初。Karaboga等人已经成功地应用了人工蜂群算法不受约束的数值优化函数。蜂蜜的过程中收集在自然界中,所有的蜜蜂都一起工作来搜索最优食物来源通过共享其中的信息。人工蜂群算法采用启发式搜索策略的局部和全局搜索实现最优解。该算法具有很强的适应性和良好的普遍性。蜜蜂群体智能的觅食行为包括三个部分:蜂蜜来源,采用觅食(EF)称为领袖蜜蜂,和失业的觅食者(UF)包括侦察蜂蜜蜂和跟随者。此外,有三种基本行为:寻找花蜜来源(S),招聘花蜜来源(R),和放弃花蜜来源。蜂群的工作图如图收集食物1。
食物来源被定义为一个位置在搜索空间。食物来源的初始数量等于领袖蜜蜂蜜蜂和追随者的数量。主要步骤如下:步骤1:初始化后,蜜蜂开始搜索所有圆最初的解决方案。它包括人口数量、最大迭代数,控制参数,解决方案的范围。步骤2:在搜索过程的开始,每个领导人蜜蜂生成一个新的食物来源由以下方程: 在哪里 和 和是一个随机数(−1,1)。健身的新蜂蜜候选人决定。如果健身的新候选人蜂蜜来源大于解决方案吗在内存中,新方案将取代原来的解决方案。步骤3:毕竟领袖蜜蜂完成搜索,他们将分享与追随者的蜜蜂花蜜的源信息。然后,蜜蜂选择蜂蜜来源的位置有一定概率的花蜜 。计算所示如下方程: 在哪里健身的吗我th解决方案和SN是食物来源的数量。蜂蜜来源确定之后,追随者的蜂蜜蜜蜂在附近搜索源找到新的蜂蜜来源。如果健身新蜂蜜来源比解决方案在内存中,最初的解决方案是更换的新解决方案。相反,健身的新解决方案是保留。步骤4:尽管所有的追随者蜜蜂已经完成了搜索过程,追随者蜜蜂和领袖蜜蜂还不找到一个更具有适应能力蜂蜜来源。然后,落入局部最优的解决方案,和蜂蜜来源将被放弃。同时,领导者蜜蜂或追随者蜜蜂转换为侦察蜂,和一个新的蜂蜜来源是随机生成根据以下方程: 在哪里 然后返回到领袖蜜蜂搜索流程并开始重复周期。第五步:健身是优化问题的目标函数,和健身价值的计算公式见方程(20.),健康和健身价值的目标函数值吗我解决方案。在这篇文章中,目标函数代表了SVR的均方误差(MSE)。MSE方程所示的公式(21),代表预测数据,代表实际数据,n代表了采样点的数量:
2.4。极端的学习机器
极端学习机(ELM)是一种新算法的单隐层前馈神经网络(SLFNs)提出的黄等。19]。榆树结构如图2包括输入层、隐藏层和输出层。其中,有n输入层神经元n输入变量,l在隐藏层神经元,米在输出层神经元米输出变量。
在图2,代表之间的连接权重神经元在输入层和在隐藏层神经元。之间的连接权重在隐藏层神经元和在输出层神经元。
为n不同的随机样本 ,在哪里 , ,榆树的激发函数 可以表示如下: 在哪里 隐层之间的连接权向量,输入层、隐层神经元之间的连接权向量和输出层神经元 , 隐层的阈值,节点的输出值。当隐层神经元的数目N小于的数量样品吗米,输出的函数模型可以表达形式的矩阵如下: 在哪里H是神经网络的隐层输出矩阵的具体形式如下。
连接的最小平方解重量隐藏层和输出层之间通过求解线性方程组获得上述公式: 在哪里是摩尔输出矩阵的广义逆矩阵H的隐藏层。
榆树模型采用三层结构,即输入层和输出层的数量对应于输入和输出变量的数量。如果隐层神经元的数量太大,它将影响模型预测的准确性。所以本文在输入层的神经元数是5,隐层神经元的数量是16,和在输入层神经元的数量是1。隐层的激活函数是乙状结肠。
3所示。水声信号的预测模型
3.1。提出的混合模型
流程图基于VMD-DE-ELM-ASVR混合预测模型对水声信号如图3。
VMD水声信号分解为模式,每个模式有一个中心频率,例如,IMF1, IMF2,……,国际货币基金组织n。这种技术的功能是减少的非平稳序列,提高预测的准确性。
为了解决overdecomposition和计算负担的问题,德是用来计算IMF1的熵值,IMF2,…,国际货币基金组织n和分析的复杂性。然后,国际货币基金组织有相似熵值添加新的子序列 ,在哪里年代合并后是模式组件的数量。
组合模型预测过程中,每一个新的复合序列获得DE过程分为训练集和测试集,训练集用于训练模型和测试集是用于验证预测的影响。根据每个模式组件的DE值和曲线,它可分为高频和低频序列序列。榆树是用来预测低频子序列,利用SVR预测高频子序列,和ABC算法用于优化模型性能SVR的通过调整参数。数据4和5表明SVR具有较高预测精度在水声信号的高频分量,低频分量和榆树具有较高的准确性。因此,SVR和榆树的组合模型能够提高预测精度,降低预测误差。
在混合过程中, 预测的结果吗 ,将输出最终的预测结果叠加 。 代表原始数据的预测价值。
3.2。性能指标的预测精度
本文选择以下三个误差指标来衡量该预测模型的预测效果:平均绝对误差(MAE)、根均方误差(RMSE),和确定系数(R2)。使用性能指标美和RMSE量化预测的误差值,值越小,预测的准确性就越好。越接近R21,预测性能就越好。公式如下: 在哪里代表预测数据,代表原始数据,n代表采样点的数量,的平均样本系列。
4所示。结果与讨论
4.1。实验设置和数据集
为了验证提出的预测模型的有效性,实验需要进行。电脑与英特尔酷睿i7, 3.6 GHz RAM, 4 GB ROM, 32 GB内存,运行微软windows 8操作系统被用来实现该模型的平台。此外,MATLAB R2014a软件平台还用于该模型的实现。在这篇文章中,归一化预处理方法应用于实验数据集(48]。采样频率和长度是20 kHz和2048点,分别。1000点是随机选择的实验数据。为了验证不同规模数据集的预测效果,预测误差(MSE)作为索引。之间的关系预测误差(MSE)和样品如图的数量6。
从图可以看出6数据集的大小与不同尺度可以达到更好的预测结果,但当样本数据的长度是1000,预测的效果是最好的。因此,本文选择1000个样本测试和使用A和B两组样本数据来验证本文提出的预测模型。每个样本数据的长度是1000点,和时域波形如图7,纵代表的是归一化信号的振幅,横坐标n表示样本点的数量。A和B的数据集,1000年的数据分为训练样本和测试样本。过去190年的数据是测试样品,其余的都是用来作为训练样本。
(一)
(b)
4.2。VMD-DE处理
在分解之前,模式数量K在VMD需要提前设置。时的值K太大,额外的噪音将生成或模式将造成重复。时的值K太小,组件的underdecomposition将引起。因此,选择适当的模式数量K分解的结果是非常重要的。因为每个模式的中心频率数不同,观察中心频率的方法通常是用来确定K(49),中心频率对应于每个检查模式K价值。如果中心频率值接近,它被视为overdecomposition,最优分解层K−1。经过反复实验,对数据集,当K> 8,随之而来的往往是近似的K选择= 8。的数据集,K选择= 9。VMD分解结果的两个水声信号数据集数据所示8(一个)和8 (b)。
(一)
(b)
(c)
(d)
如数据所示8 (c)和8 (d),国际货币基金组织通过EMD分解都有不同的特点。IMF1组件主要是随机白噪声。国际货币基金组织获得的EMD分解被噪声干扰,并有一个相对较大的两端,从而影响整个组件序列。因此,分解结果是严重扭曲的。图8(一个)表明,水声信号数据集由VMD分解成八个货币基金。可以看出,由VMD IMF2组件分解是最类似于原始波形,波形失真小,所以比EMD VMD具有更好的噪声鲁棒性。
国际货币基金组织(IMF)与有限的复杂性近似得到VMD分解。如果预测模型直接用于预测每一个国际货币基金组织,计算规模将会增加。为了减少计算规模,每个国际货币基金组织的复杂性进行了分析通过使用DE算法。计算结果如图所示9。
(一)
(b)
从图可以看出9DE值的每个IMF序列增加水声信号数据集A和b,它还表明,低频分量高频分量的复杂性逐渐增加,和增加序列的随机性。熵值的结果的国际货币基金组织(IMF)的水声信号数据集A和B所示表1和2。基于熵的相似性,组件合并。对于数据集,IMF8是最高的复杂性,及其DE值为0.7227,远高于其他组件,特别是0.3751高于DE IMF1的价值。进一步表明IMF8具有较强的随机性,这是很难预测的。的DE值IMF5 IMF6相似,不同的是0.0124,表明它们可以组合成一个新的序列。IMF3和IMF4是0.0174,可组合成一个新的国际货币基金组织(IMF)组件。DE值的其他模式不同于其他模式,可以作为一个新的子序列。
表3显示了样本熵(SE)的国际货币基金组织每个数据集a可以看出IMF3的本身价值,IMF4,与IMF6相似,所以他们可以组合。相比之下,德避免SE(估计不确定的问题50),因此我们选择DE分析每个序列的复杂性。另外,为了比较SE和德的影响,正交性指数(IO) [51]重建后的国际货币基金组织(IMF)计算。IO描述了国际货币基金组织(IMF)的正交性。IO越大,越严重的混合模式问题的方法。结果表明,SE和德的IO指数是0.0735和0.0718,分别。可以看出,德的效果更好。
水声信号数据集B, VMD后,每个组件的熵值和合并的结果如表所示2。从表2的熵值,可以看出IMF4 IMF5接近,IMF8和IMF9的熵值接近,因此关闭合并组件与熵值,和其他组件被视为单独的新序列。
根据模式组件的组合结果表1和2,前两个模式组件的DE值小于0.5,小于其他组件。此外,从VMD的分解波形数据8(一个)和8 (b),可以看出,前两个模式组件相对较小的波动,在一个温和的国家作为一个整体。因此,前两个组件可以被视为低频分量和高频组件其余部分。高频组件都有一个大的波动,这常常揭示了隐藏在信号的有用信息。低频分量包含信号本身的特点,因此准确预测尤为重要。重组后的子序列的波形水声信号数据集A和B所示图10。
(一)
(b)
4.3。模型训练和ABC参数设置
SVR模型是一种机器学习算法,克服了传统预测方法的一些缺点。它在解决非线性问题具有明显的优势和强大的泛化性能。在实际应用中,核函数和惩罚参数c直接影响SVR的拟合精度和泛化性能。因此,在本文中,我们选择局部和全局搜索能力的人工SVR的ABC算法优化参数。由方程(健身价值计算20.)和均方误差作为适应度评价函数。ABC算法的参数设置如下:食物来源(SN)的数量是20,最大循环数(m cn)的食物来源设置为50,和结束循环的数量是50。
设置初始参数后,训练数据和测试数据输入到ASVR模型多次达到最好的效果。健身价值和周期的曲线在训练图所示11。从图可以看出11ABC算法的健身价值随迭代次数的增加,这表明该模型逐步获得最优参数迭代次数的增加。经过若干次迭代,健身价值逐渐稳定到一个定值。结果表明,该模型收敛完全当周期的数量达到50。
4.4。比较和分析榆树和预测ASVR高,低频系列
节4.2根据模式组件的波形和相应的DE值,它分为低频分量和高频分量。为了更好地比较榆树的预测性能模型和ASVR模型对应于不同的频率成分,我们把数据集作为一个例子。
数据集的每个高频模式组件VMD分解叠加后变成高频序列,和榆树模型和ASVR模型的预测结果为高频序列如图4。从图可以看出,高频序列的波形变化极大地和更密集。图中的红线代表了榆树模型的预测值,绿线代表ASVR模型的预测价值,蓝线代表原高频序列。从图可以看出4绿线和蓝线有一个相对较高的拟合程度。它还表明,ABC的SVR模型优化算法可以有效地预测高度非线性频率较高的序列使用核函数的映射。
低频序列通常包含原始信号的特点,及其波形更接近真正的系列。同样,我们使用榆树模型和ASVR模型来预测每个低频模式的叠加后的低频系列组件。从图5,我们可以看到,这两个模型的预测结果对低频系列。然而,预测值之间的拟合效果和榆树的真实数据模型所代表的红线优于ASVR模型,这也反映了榆树具有更好的预测效果比ASVR系列低频水声信号数据的预测。
通过以上比较分析,本文使用榆树模型来预测水声信号的低频序列和ASVR模型预测水声信号的高频序列。为每个组件的预测结果ASVR VMD-DE分解后的数据集在图所示12(一个)。红色的线条代表的水声信号的实际价值,和蓝线代表ASVR的预测价值。组合预测模型的预测结果提出了在图所示12 (b)。它可以清楚地看到从图12前两个低频分量的预测效果显著提高,和整体的预测效果更好。
(一)
(b)
4.5。每个数据集模型的预测结果
为了进一步衡量这种方法的预测效果,VMD-DE-ELM-ASVR模型相比,本文提出的其他六个模型,每个模型的预测效果是定量分析了美,RMSE,R2的优越性,以验证本文的组合模型的预测性能。
数据分为六个VMD-DE分解后相对稳定的模式组件。为每个组件建立了预测模型,预测结果如图12。可以看出,每个模式组件的预报值与原始信号值。模型的预测价值提出了每个组件的基础的预测结果,如图13,红线代表真实数据和蓝线代表的预测价值。可以看出,本文提出的模型的预测价值和原始数据完全吻合。其中,RMSE、美和R2也列在图吗13。可以看出,误差指标相对较小,和R2接近1,进一步解释了本文提出的预测模型的有效性。
拟合曲线的预测值和原始值不同的预测模型如图14。在图中,本文提出的模型的预测值由蓝色曲线表示,和原始数据曲线是由红线表示。蓝色曲线可以看出,相对于其他曲线拟合程度最高。为了进一步揭示本文模型的优势,预测误差的盒子图的七个模型如图(15日)。VMD-DE-ELM-ASVR的预测误差分布在0,和变化幅度是最小的与其他模型相比。结果表明,本文提出的组合预测模型具有良好的预测效果。
(一)
(b)
从图可以看出14和表4SVR的预测精度较低,因为不能获得最佳的模型参数。然而,由ABC SVR模型的参数优化算法优化,因此预测性能都得到很大的提高。通过比较EMD-ASVR ASVR,可以看出,很难预测模式分解后降低。然而,由于EMD的混合模式和端点效应,EMD-ASVR模型的预测性能低于VMD-ASVR模型。
梅的值、均方根误差和R2所有的模型如表所示4。此外,图15 (b)清楚地显示了相应的美和RMSE大小不同的模型以直方图的形式。从表可以看出4的预测指标预测模型提出了最低,R2是最接近1,表明该模型具有最好的预测精度。
通过比较SVR和ASVR模型的预测结果,从表可以看出4SVR模型的预测精度最低,和R2预测值和实际值是0.9147,而其他模型的相关系数高于0.96。然而,SVR模型的预测精度由ABC算法优化已显著提高。美和RMSE平均绝对误差和均方根误差预测值和实际值。因此,指数越小,结果越好。优化SVR模型的RMSE值低于ASVR模型。这说明ABC算法依赖于其强劲的全球和本地搜索找到最优惩罚参数的能力c和内核函数并获得令人满意的预测结果。
EMD-ASVR和VMD-ASVR模型提高了预测精度相对于单个ASVR模型。这表明分解方法的预测模型可以提高预测精度,降低预测误差。然而,通过比较结果表4可以看出,RMSE和梅VMD-ASVR的值是0.0140和0.0168,分别而RMSE和梅值预测模型的添加与EMD分解算法0.0298和0.0369,分别,这两个指标的值R2也明显比VMD分解。它还表明EMD分解的最终效果和混合模式将直接影响预测结果。此外,每个模式组件的复杂性,分析了重构的子序列,这提高了预测模型的精度和缩短了训练时间。
从表4可以看出,美和RMSE VMD-DE-ELM-ASVR组合模型的0.0102和0.0129,分别低于VMD-DE-ASVRR2是0.9977。结果表明,本文提出的组合预测模型与原始数据的拟合程度最高。
4.6。每个模型的预测结果数据集B
为了进一步验证VMD-DE-ELM-ASVR模型的预测效果在不同的水声信号序列,水声信号数据集选择B在本节讨论和分析。预测结果如图16。通过比较拟合曲线的预测值与原始值不同的预测模型,我们可以看到,本文提出的组合预测模型的拟合效果最好的与真实的水声信号数据。
此外,图(17日)显示了每个模型的错误框。为数据B, VMD-DE-ELM-ASVR模型的预测误差分布在0,最小的改变与其他模型相比。此外,本文提出的组合预测模型有更好的预测效果。为了定量分析模型之间的差异,RMSE,梅的值R2如表所示5。此外,图17 (b)清楚地显示了美和RMSE值对应不同的模型以直方图的形式。从表5可以看出,本文提出的组合预测的误差指标达到最低,R2达到0.9966,这是类似于水声信号数据的预测性能。
(一)
(b)
一般来说,预测效果的水声信号数据集A和B,本文提出的组合预测模型显示了更好的预测性能,可为水声信号的预测提供参考。
5。结论
为了提高水声信号的预测精度,提出了一种基于VMD-DE-ELM-ASVR组合预测模型,并应用于水声信号的预测。主要结论如下:(1)VMD分解算法可以有效地克服EMD的混合模式。仿真结果表明,VMD的分解效果更清晰,预测精度较高。(2)摘要德是用来计算的熵VMD分解的货币基金,和德近似的组件合并和重组。仿真结果表明,8个国际货币基金组织(IMF)组件VMD分解得到的数据集是组合成6个国际货币基金组织(IMF)组件,和九模式组件组合成七德在数据集b。通过这种方式,有效地降低了计算的复杂性,提高预测精度。(3)ABC算法具有一些参数设置和可用于全球和本地搜索。结果表明,最优惩罚参数c和内核函数可以通过有限的迭代的SVR模型找到ABC优化后,提高了预测精度。(4)摘要榆树选择模型预测水声信号的低频分量,和ASVR用于预测水声信号的高频分量。通过实验证明,组合预测模型可以提高预测精度,降低预测误差与单一预测模型。(5)本文提出的预测方法是测试实际水声信号数据集A和B,比较7种预测模型与三个统计指标,包括SVR,榆树,ASVR, EMD-ASVR, VMD-ASVR VMD-DE-ASVR, VMD-DE-ELM-ASVR。实验结果表明,VMD-DE-ELM-ASVR可以有效地预测水声信号。与其他模型相比,组合模型提高了预测精度,减少误差,具有较强的泛化能力和鲁棒性。
命名法
| VMD: | 变分模态分解 |
| EMD: | 经验模态分解 |
| 榆树: | 极端的学习机器 |
| SVR: | 支持向量回归 |
| SRM: | 结构风险最小化 |
| ASVR: | 优化基于ABC的SVR算法 |
| R2: | 确定系数 |
| GSA: | 引力搜索算法 |
| 算法: | 粒子群优化 |
| SE: | 样本熵 |
| 遗传算法: | 遗传算法 |
| 德: | 分散熵 |
| 国际货币基金组织(IMF): | 固有模态函数 |
| 美国广播公司(ABC): | 人工蜜蜂殖民地 |
| 支持向量机: | 支持向量机 |
| RMSE: | 根均方误差 |
| 均方误差: | 均方误差 |
| m cn: | 最大循环数 |
| IO: | 正交性的指标。 |
数据可用性
使用的数据来支持本研究的发现正在禁运,而研究成果商业化。请求数据,本文的发表之后的12个月内,将被相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由中国国家自然科学基金(没有。51709228)。