[發明專利]一種基于隨機掃頻和機器學習的布里淵頻移提取方法

在審

• 申請號: 202110018888.1
• 申請日: 2021-01-07
• 公開（公告）號: CN112801306A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 鄭歡;胡風揚;肖楓;黃奕杰;黃厚慧;覃亞麗
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N20/10
• 分類號: G06N20/10;G06F17/18
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于隨機掃頻和機器學習的布里淵頻移提取方法，其特征在于，所述方法包括以下步驟：

步驟1，根據給定采樣次數M，使用隨機數生成函數，生成范圍在0到1之間的M個隨機數，X＝[X₁,···,X_M]；

步驟2，根據給定采樣范圍(f₁,f₂),以及所述的隨機數X，構造出M個隨機掃頻頻率f_s＝{f_si，i＝1,2,3,···,M}，其中

f_si＝f₁+(f₂-f₁)×X_ii＝1,2,3,···,M；

步驟3，給定擬合函數的線型S，以及布里淵頻移取值f＝[f₁,f₂,f₃,…,f_n]，根據所述的隨機掃頻頻率f_s,，構造布里淵增益譜特征集F_nxM

步驟4，根據所述的布里淵增益譜數據集F_nxM構造對應的標簽集L_nx1

步驟5，根據特征集和標簽集使用機器學習算法進行訓練，得出L＝K(F)；

步驟6，對于給定的布里淵增益譜B＝[B₁,B₂,…,B_M]，根據步驟5所述的L＝K(F)，求得布里淵增益譜B所對應的布里淵頻移。

2.如權利要求1所述的一種基于隨機掃頻和機器學習的布里淵頻移提取方法，其特征在于，所述步驟1中，所述的隨機數生成函數為Mersenne twister，Multiplicativecongruential generator或ultiplicative lagged Fibonacci generator，Mersennetwister利用線性反饋移位寄存器LFSR產生隨機整數N，N1,由此產生M個0到1之間的數1/N。

3.如權利要求1或2所述的一種基于隨機掃頻和機器學習的布里淵頻移提取方法，其特征在于，所述步驟3中，擬合函數的線型S是Lorentz曲線、pV曲線或二次曲線擬合等。

4.如權利要求1或2所述的一種基于隨機掃頻和機器學習的布里淵頻移提取方法，其特征在于，所述步驟5中，機器學習算法是k-近鄰(KNN)、決策樹(Decision Tree)、樸素貝葉斯、邏輯回歸或支持向量機。

5.如權利要求4所述的一種基于隨機掃頻和機器學習的布里淵頻移提取方法，其特征在于，支持向量機中，超平面表示為y(X)＝W^T_X+b，其中W為超平面范數向量，b為截距，訓練樣本表示為S＝{(X_i，L_i)，i＝1，···，n}，范數向量W是訓練特征向量Xi的線性組合：

其中，α_i是優化過程中引入的拉格朗日乘數，并且僅對支持向量具有非零值，經過QP方法訓練后，具有最優超平面和支持向量的支持向量機模型就可以用于分類了；在測試階段，計算支持向量與輸入特征向量之間的內積以獲得(X_T)，

y(X_t)＝W_T·X_t+b＝α_il_i(X_s·X_t)+b

其中X_s和X_t分別表示支持向量和測試向量。