CN111553393A - 一种基于svm多分类算法的太阳射电暴强度判定方法 - Google Patents

Abstract

本发明公开了一种基于SVM多分类算法的太阳射电暴强度判定方法，所述SVM多分类算法的基本原理为针对一个多分类问题，将其中每两个类型组合成一个二分类器，对于每个二分类器，找出一个最优超平面，将样本分为两类，最终通过投票统计的方法得到分类结果。在此过程中，首先提取出能反映观测地卫星太阳射电暴强度的数据，进行数据预处理，得到特征向量，并对太阳射电暴强度类型进行标记。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的特征向量进入分类器时，将自动进行分类。该判定方法能自动判别太阳射电暴强度类型，效率和准确率较高，并且不依赖于射电望远镜，成本低。

Description

一种基于SVM多分类算法的太阳射电暴强度判定方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于SVM多分类算法的太阳射电暴强度判定方法。

背景技术

随着GNSS等卫星技术在现代社会越来越广泛应用，太阳射电暴强度对GNSS信号的影响已成为不可忽视的重要部分。由于射电爆发现象通常发生得十分突然，并且常和太阳活动区的质子爆发、X射线爆发或耀斑爆发等现象同时发生，其辐射强度大、变化剧烈，当抵达地球时，会造成一系列的地球物理效应，比如磁暴、激光、通讯干扰等。在以往多起太阳射电爆发期间，太阳射电暴可能导致卫星载噪比下降，定位误差增大，几何精度因子增加，卫星失锁、可见星数大幅下降等情况，如此可见，太阳射电暴产生的噪声信号是导航信号的影响因素之一。

由于不同的太阳射电暴强度，对GNSS信号的干扰是不同的，为了使导航***在太阳射电暴发生时能够正常工作，太阳射电暴的分类工作有利于对于太阳射电的研究，对维持卫星导航***的正常运行具有重大意义。同时，太阳射电暴强度也影响着天气，太阳射电暴的分类工作有助于对灾害性天气做出预警，具有很好的实用价值。

传统分类方法一般需要具有专业知识的天文学家对太阳射电暴强度进行手工分类，这种方法费时费力，并且效率和准确率不高。

发明内容

为了解决上述存在问题。本发明提供一种基于SVM多分类算法的太阳射电暴强度判定方法，太阳射电暴发生时，对GNSS信号产生的影响进行综合考查，结合机器学习中的SVM算法，判定太阳射电暴的强度。此方法对太阳射电暴强度分类具有可行性，判定结果能同时给出多个台站太阳射电暴强度类型。对比于传统方法，结合多种因素，节省时间人力成本，识别准确度和效率相对提高。为达此目的：

本发明提供一种基于SVM多分类算法的太阳射电暴强度判定方法，具体步骤如下:

(1)进行数据预处理，计算观测地不同时刻的特征向量，特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子和卫星失锁数目；

(2)根据射电流量的变化，将太阳射电暴划分为太阳射电暴未发生、强度较弱、强度较强、强度很强4种类型，并且将4种类型的特征向量对应的标签分别赋值为1、2、3和4；

(3)将其中每两个类型进行组合构造一个二分类器，得到6组训练集，对于每组训练集构造一个未知的非线性SVM二分类模型，并对训练样本进行交叉验证选取最优参数，得出6组训练好的二分类模型；

(4)将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中，每一个模型输出一个结果，如判定结果为p，则第p类计一票，最终预测样本的判定结果为得票数最多的一类。

作为本发明进一步细化，步骤(1)具体包括：

(1.1)输入观测地每颗卫星的载噪比、观测地的定位误差、几何精度GDOP因子和卫星失锁数目；

(1.2)对观测地载噪比进行数据预处理：

取当前每颗卫星载噪比下降值的平均值作为该台站载噪比下降值，记为x₁，单位：dBHz；

snr_i＝前8个时刻所测卫星载噪比平均值-该时刻载噪比值

式中，snr_i为每颗卫星载噪比下降值，N为卫星个数；

(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成，三个方向取标准差作为台站的定位误差，记为x₂，单位：m；

式中，r_i(i＝1,2,3)分别表示该时刻观测地X、Y、Z方向上的定位误差；

(1.4)GDOP因子记为x₃，卫星失锁数目记为x₄，单位：个。

作为本发明进一步细化，步骤(2)具体包括：

将所述观测地载噪比下降值x₁、观测地总定位误差x₂、GDOP因子x₃、卫星失锁数目x₄作为特征向量x，样本特征向量即为：

按照下表将太阳射电暴强度进行分类；

表1太阳射电暴强度种类划分

式中，i表示第i个样本，x⁽ⁱ⁾表示第i个样本的特征向量，y⁽ⁱ⁾表示第i个样本的标签，(x⁽ⁱ⁾,y⁽ⁱ⁾)即为样本点。

作为本发明进一步细化，步骤(3)具体包括：

(3.1)6组训练集分别为标签为1和2、1和3、1和4、2和3、2和4对应的训练样本；

(3.2)假设对标签为k和l对应的训练样本构造的二分类器(k，l＝1、2、3、4且k＜l)，所述非线性SVM二分类模型具体为：

f(x)＝w^TΦ(x)+b

其中Φ(x)为高维线性映射，将4维特征向量x映射到M维的映射函数，M＞＞4，

两者为待求参数；

(3.3)解决如下优化问题：

式中，ξ_i为每个样本i的的松弛变量，ξ_i越大，代表样本点离群越远，C为超参数，C越大，表示对离群点带来的目标函数损失越重视，y⁽ⁱ⁾为样本i的标签，x⁽ⁱ⁾表示样本i的特征向量；

(3.4)求解拉格朗日乘子：

式中，α_i，y⁽ⁱ⁾，i＝1,2,3...n分别是拉格朗日乘子和数据分类标签，n为样本的个数；

进一步，得到

其中x^(s)为拉格朗日乘子α_i≠0项所对应的样本的特征向量，即支持向量，y^(s)为对应标签；

(3.5)将计算得到的w₀和b₀代入非线性SVM分类器模型表达式中得：

式中，

为核函数，取高斯核函数为核函数

σ为核参数；

(3.6)将标签为k和l对应的训练样本的样本点输入MATLAB中的ClassificationLearner，选择交叉验证并设定折数k，即随机取矩阵Z的n个样本中的

k＝2,3,4......作为训练样本进行机器学习，剩下的

个样本对学习过的模型进行测试，选择高斯非线性SVM分类器模型，输入参数C、

得到6组训练集，分别对每组训练集进行机器学习；

(3.7)预设足够大的次数，更改参数C、

的值，返回重复步骤(3.6)，记录平均准确率，直至达到预设次数；

(3.8)比较所有参数对应的平均准确率，找出最大准确率对应的超参数C和核参数σ作为最佳参数，该参数设置下训练所得模型作为最优分类模型。

作为本发明进一步细化，步骤(4)具体包括：

(4.1)从待判定的观测地卫星的载噪比、观测地三个方位的定位误差、几何精度GDOP因子、卫星失锁数目中提取出特征向量，表示为X＝(x⁽¹⁾,x⁽²⁾,...,x^(N))，N为待检测样本总数；

(4.2)将X输入得到的6个分类模型中，在每个模型中，对于每个特征向量x(^t)，会输出一个判定结果p(p＝1,2,3,4)，对应不同的太阳射电暴强度类型标签，待6个SVM模型均分类结束后，标签出现次数最多对应的类型即为该地区该时刻的太阳射电暴强度类型。

本发明与现有技术相比，其显著优点是：

本发明提出了一种基于SVM多分类算法的太阳射电暴强度判定方法。所述方法首先提取观测地卫星载噪比、三个方向定位误差、几何精度(GDOP)因子、卫星失锁数目进行数据预处理，得到能有效反应太阳射电暴强度的特征向量。基于SVM本身是二元分类器，对不同太阳射电暴强度类型采用一对一的方法，将四种强度类型分别标记为1、2、3和4，与特征向量组成样本。将标签为1、2、3和4的样本两两组合，再对每个组合进行SVM二分类模型训练，得到相应的最优分类模型，总共6组。对于待判定的观测地数据，在提取其特征向量后输入到每组最优分类模型中进行分类，每组模型输出一个特征向量所对应的标签，采取投票形式，标签出现次数最多的类型即为所对应的强度类型。传统太阳射电暴需要具有专业知识的天文学家进行手工分类，这种方法费时费力。本方法成本低，准确度相对增强，而且能同时处理大批量数据，提高了检测效率，对维持卫星导航***的正常运行具有重大意义。

附图说明

图1是本发明的一个实施例的流程示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于SVM多分类算法的太阳射电暴强度判定方法，太阳射电暴发生时，对GNSS信号产生的各项受检项目进行综合考查，检测太阳射电暴是否发生。此方法对检测太阳射电暴具有可行性，检测结果不仅能显示出单个台站太阳射电暴发生时间，还能同时给出多个台站是否受太阳射电暴影响。对比于传统方法，该方法成本低、结合多种因素，识别准确度和效率相对提高。

作为本发明一种具体实施例，本发明提供一种基于SVM多分类算法的太阳射电暴强度判定方法，流程图如图1所示，具体步骤如下；

包括：

步骤一、进行数据预处理，计算观测地不同时刻的特征向量，特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子和卫星失锁数目。

该步骤具体包括：

(1.1)输入观测地每颗卫星的载噪比、观测地的定位误差、几何精度GDOP因子和卫星失锁数目；

(1.2)对观测地载噪比进行数据预处理：

取当前每颗卫星载噪比下降值的平均值作为该台站载噪比下降值，记为x₁，单位：dBHz；

snr_i＝前8个时刻所测卫星载噪比平均值-该时刻载噪比值

式中，snr_i为每颗卫星载噪比下降值，N为卫星个数；

(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成，三个方向取标准差作为台站的定位误差，记为x₂，单位：m；

式中，r_i(i＝1,2,3)分别表示该时刻观测地X、Y、Z方向上的定位误差；

(1.4)GDOP因子记为x₃，卫星失锁数目记为x₄，单位：个。

例：2006年12月13日太阳射电暴发生，选取观测地KUMN在2006年12月13日2：00-4：00(UT)卫星的载噪比、三个方位的定位误差、几何精度(GDOP)因子和卫星失锁数目，以30s为采样间隔，共计240个时刻。以2006/12/13 02:07:30、2006/12/1302:46:00和2006/12/1303:36:30这三个时刻为例，其他时刻计算方法相同。首先，根据(1)所述方法由表2、表3中KUMN不同时刻采集所得数据，得出表4不同时刻KUMN的载噪比下降值、定位误差、几何精度(GDOP)因子、卫星失锁数目。

表2观测地KUMN不同时刻采集所得载噪比数据

表3观测地KUMN不同时刻采集所得定位误差、GDOP因子、卫星失锁数目数据

表4观测地KUMN的载噪比下降、定位误差、GDOP因子、卫星失锁数目

注：台站失锁时，将定位误差、GDOP因子定义为+∞。

步骤二、根据射电流量的变化，将太阳射电暴划分为太阳射电暴未发生、强度较弱、强度较强、强度很强4种类型，并且将4种类型的特征向量对应的标签分别赋值为1、2、3和4。

具体包括以下步骤：

将所述观测地载噪比下降值x₁、观测地总定位误差x₂、GDOP因子x₃、卫星失锁数目x₄作为特征向量x，样本特征向量即为：

按照下表将太阳射电暴强度进行分类；

表1太阳射电暴强度种类划分

式中，i表示第i个样本，x⁽ⁱ⁾表示第i个样本的特征向量，y⁽ⁱ⁾表示第i个样本的标签，(x⁽ⁱ⁾,y⁽ⁱ⁾)即为样本点。

例：接上例，三个时刻对应的样本点如下表，其他时刻样本点同理可得：

表5观测地KUMN不同时刻对应的样本点

步骤三、将其中每两个类型进行组合构造一个二分类器，得到6组训练集，对于每组训练集构造一个未知的非线性SVM二分类模型，并对训练样本进行交叉验证选取最优参数，得出6组训练好的二分类模型。

具体包括以下步骤：

(3.1)6组训练集分别为标签为1和2、1和3、1和4、2和3、2和4对应的训练样本；

(3.2)假设对标签为k和l对应的训练样本构造的二分类器(k，l＝1、2、3、4且k＜l)，所述非线性SVM二分类模型具体为：

f(x)＝w^TΦ(x)+b

其中Φ(x)为高维线性映射，将4维特征向量x映射到M维的映射函数，M＞＞4，

两者为待求参数；

(3.3)解决如下优化问题：

式中，ξ_i为每个样本i的的松弛变量，ξ_i越大，代表样本点离群越远，C为超参数，C越大，表示对离群点带来的目标函数损失越重视，y⁽ⁱ⁾为样本i的标签，x⁽ⁱ⁾表示样本i的特征向量；

(3.4)求解拉格朗日乘子：

式中，α_i，y⁽ⁱ⁾，i＝1,2,3...n分别是拉格朗日乘子和数据分类标签，n为样本的个数；

进一步，得到

其中x^(s)为拉格朗日乘子α_i≠0项所对应的样本的特征向量，即支持向量，y^(s)为对应标签；

(3.5)将计算得到的w₀和b₀代入非线性SVM分类器模型表达式中得：

式中，

为核函数，取高斯核函数为核函数

σ为核参数；

(3.6)将标签为k和l对应的训练样本的样本点输入MATLAB中的ClassificationLearner，选择交叉验证并设定折数k，即随机取矩阵Z的n个样本中的

k＝2,3,4......作为训练样本进行机器学习，剩下的

n个样本对学习过的模型进行测试，选择高斯非线性SVM分类器模型，输入参数C、

得到6组训练集，分别对每组训练集进行机器学习；

(3.7)预设足够大的次数，更改参数C、

的值，返回重复步骤(3.6)，记录平均准确率，直至达到预设次数；

(3.8)比较所有参数对应的平均准确率，找出最大准确率对应的超参数C和核参数σ作为最佳参数，该参数设置下训练所得模型作为最优分类模型。

例：接上例，将所得的120个样本输入矩阵Z，设置交叉验证折数k＝5，更改参数C，

得到每组分类模型不同参数下的平均准确率。

下表为6组分类模型的最佳参数及其对应的平均准确率，即在此参属下，分类器的准确率最高，所得模型作为最优分类模型。

表6最佳参数及其对应的平均准确率

步骤四，将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中，每一个模型输出一个结果，如判定结果为p，则第p类计一票，最终预测样本的判定结果为得票数最多的一类。

具体包括以下步骤：

(4.1)从待判定的观测地卫星的载噪比、观测地三个方位的定位误差、几何精度GDOP因子、卫星失锁数目中提取出特征向量，表示为X＝(x⁽¹⁾,x⁽²⁾,...,x^(N))，N为待检测样本总数；

(4.2)将X输入得到的6个分类模型中。在每个模型中，对于每个特征向量x(^t)，会输出一个判定结果p(p＝1,2,3,4)，对应不同的太阳射电暴强度类型标签，待6个SVM模型均分类结束后，标签出现次数最多对应的类型即为该地区该时刻的太阳射电暴强度类型。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种基于SVM多分类算法的太阳射电暴强度判定方法，具体步骤如下，其特征在于:

(1)进行数据预处理，计算观测地不同时刻的特征向量，特征向量包括观测地载噪比下降值、观测地总定位误差、几何精度GDOP因子和卫星失锁数目；

(2)根据射电流量的变化，将太阳射电暴划分为太阳射电暴未发生、强度较弱、强度较强、强度很强4种类型，并且将4种类型的特征向量对应的标签分别赋值为1、2、3和4；

(3)将其中每两个类型进行组合构造一个二分类器，得到6组训练集，对于每组训练集构造一个未知的非线性SVM二分类模型，并对训练样本进行交叉验证选取最优参数，得出6组训练好的二分类模型；

(4)将待识别的卫星导航信号提取出来的特征向量输入步骤(3)中的分类模型中，每一个模型输出一个结果，如判定结果为p，则第p类计一票，最终预测样本的判定结果为得票数最多的一类。

2.根据权利要求1所述的一种基于SVM多分类算法的太阳射电暴强度判定方法，其特征在于：步骤(1)具体包括：

(1.1)输入观测地每颗卫星的载噪比、观测地的定位误差、几何精度GDOP因子和卫星失锁数目；

(1.2)对观测地载噪比进行数据预处理：

取当前每颗卫星载噪比下降值的平均值作为该台站载噪比下降值，记为x₁，单位：dBHz；

snr_i＝前8个时刻所测卫星载噪比平均值-该时刻载噪比值

式中，snr_i为每颗卫星载噪比下降值，N为卫星个数；

(1.3)观测地定位误差由东北天坐标系下的X、Y、Z三个方向的定位误差组成，三个方向取标准差作为台站的定位误差，记为x₂，单位：m；

式中，r_i(i＝1,2,3)分别表示该时刻观测地X、Y、Z方向上的定位误差；

(1.4)GDOP因子记为x₃，卫星失锁数目记为x₄，单位：个。

3.根据权利要求1所述的一种基于SVM多分类算法的太阳射电暴强度判定方法，其特征在于：步骤(2)具体包括：

将所述观测地载噪比下降值x₁、观测地总定位误差x₂、GDOP因子x₃、卫星失锁数目x₄作为特征向量x，样本特征向量即为：

按照下表将太阳射电暴强度进行分类；

表1 太阳射电暴强度种类划分

式中，i表示第i个样本，x⁽ⁱ⁾表示第i个样本的特征向量，y⁽ⁱ⁾表示第i个样本的标签，(x⁽ⁱ⁾,y⁽ⁱ⁾)即为样本点。

4.根据权利要求1所述的一种基于SVM多分类算法的太阳射电暴强度判定方法，其特征在于：步骤(3)具体包括：

(3.1)6组训练集分别为标签为1和2、1和3、1和4、2和3、2和4对应的训练样本；

(3.2)假设对标签为k和l对应的训练样本构造的二分类器(k，l＝1、2、3、4且k＜l)，所述非线性SVM二分类模型具体为：

f(x)＝w^TΦ(x)+b

其中Φ(x)为高维线性映射，将4维特征向量x映射到M维的映射函数，M＞＞4，

两者为待求参数；

(3.3)解决如下优化问题：

式中，ξ_i为每个样本i的的松弛变量，ξ_i越大，代表样本点离群越远，C为超参数，C越大，表示对离群点带来的目标函数损失越重视，y⁽ⁱ⁾为样本i的标签，x⁽ⁱ⁾表示样本i的特征向量；

(3.4)求解拉格朗日乘子：

式中，α_i，y⁽ⁱ⁾，i＝1,2,3…n分别是拉格朗日乘子和数据分类标签，n为样本的个数；

进一步，得到

b₀＝y^(s)-w₀ ^TΦ(x^(s))，其中x^(s)为拉格朗日乘子α_i≠0项所对应的样本的特征向量，即支持向量，y^(s)为对应标签；

(3.5)将计算得到的w₀和b₀代入非线性SVM分类器模型表达式中得：

式中，k(x⁽ⁱ⁾,x)＝Φ^T(x⁽ⁱ⁾)Φ(x)为核函数，取高斯核函数为核函数

σ为核参数；

(3.6)将标签为k和l对应的训练样本的样本点输入MATLAB中的ClassificationLearner，选择交叉验证并设定折数k，即随机取矩阵Z的n个样本中的

k＝2,3,4......作为训练样本进行机器学习，剩下的

个样本对学习过的模型进行测试，选择高斯非线性SVM分类器模型，输入参数C、

得到6组训练集，分别对每组训练集进行机器学习；

(3.7)预设足够大的次数，更改参数C、

的值，返回重复步骤(3.6)，记录平均准确率，直至达到预设次数；

(3.8)比较所有参数对应的平均准确率，找出最大准确率对应的超参数C和核参数σ作为最佳参数，该参数设置下训练所得模型作为最优分类模型。

5.根据权利要求1所述的一种基于SVM多分类算法的太阳射电暴强度判定方法，其特征在于：步骤(4)具体包括：

(4.1)从待判定的观测地卫星的载噪比、观测地三个方位的定位误差、几何精度GDOP因子、卫星失锁数目中提取出特征向量，表示为X＝(x⁽¹⁾,x⁽²⁾,...,x^(N))，N为待检测样本总数；

(4.2)将X输入得到的6个分类模型中，在每个模型中，对于每个特征向量x^(t)，会输出一个判定结果p(p＝1,2,3,4)，对应不同的太阳射电暴强度类型标签，待6个SVM模型均分类结束后，标签出现次数最多对应的类型即为该地区该时刻的太阳射电暴强度类型。

Images