论文部分内容阅读
支持向量机(Support Vector Machine,SVM)是根据统计学习理论(Statistical Learning Theory,SLT)而提出来的机器学习方法,由于它适合解决非线性、小样本、高维数等问题,已经在信息的分类检索、生物医学、通信等领域得到了广泛的应用。在电磁领域,如天线设计、DOA估计等问题,往往模型结构较为复杂、样本获取较困难,用SVM来解决电磁问题,不仅减少了天线设计者的大量而繁琐的数学计算工作,也降低了实际测量所需要的昂贵成本,更适合用于电磁问题上。但是在SVM的研究过程中,核函数的选择是至关重要的,针对单一核函数不能兼顾插值能力和外推能力,本文研究了混合核函数的思想,并使用粒子群(Particle Swarm Optimization,PSO)优化算法来进行参数寻优;同时为了进一步提高预测精度,本文研究了SVM集成的思想,并分别将这两种方法应用于几个天线设计及DOA估计问题上。具体安排如下:(1)针对单一核函数的各自优势,研究了将全局核函数和局部核函数相结合的一种混合核函数,结合PSO优化算法来寻参,并且用UCI数据库中的数据集以及测试函数进行了验证和分析。(2)为了进一步提高SVM的预测精度和稳定性,研究了SVM集成的思想,各个参数及权系数的选择均采用PSO优化算法,通过用UCI数据库中的数据集与单个SVM及人工神经网络(Artificial Neural Network,ANN)进行了对比分析。(3)将基于混合核函数的PSO-SVM对DOA估计问题进行了建模,分别比较了两个信号源、不同信噪比、不同快拍数的情况下的估计误差,并将建模误差与ANN、单核SVM的误差进行了对比分析。(4)用设计的基于混合核函数的PSO-SVM对紧凑型微带天线(Compact Microstrip Antennas,CMSA)如:平面倒F天线(Planar Inverted F-shaped Antenna,PIFA)、L型MSA的谐振频率问题进行建模,利用HFSS(High Frequency Structure Simulator,HFSS)建立PIFA天线仿真模型获取样本数据,并将建模误差与单一核函数的误差、HFSS仿真误差进行了对比分析。(5)将SVM集成用于矩形MSA谐振频率建模,并分析了基于不同的单一核函数的SVM的预测结果,同时将它们的预测误差与ANN预测结果作了对比。(6)将SVM集成用于对切角方形圆极化MSA进行综合建模,并将其和BP-NN、单个SVM的预测结果进行对比分析。