SVM在陣列天線領域的應用研究.pdf

1、該文主要包含三方面的內(nèi)容:陣列天線、支持向量機以及兩者結(jié)合應用研究.支持向量機是由Vapnik等人提出的小樣本統(tǒng)計理論——統(tǒng)計學習理論發(fā)展而來的一種新的通用學習算法,特別在高維空間中表示復雜函數(shù),避免了常規(guī)算法"維數(shù)災難"等麻煩問題,可直接用陣列原始數(shù)據(jù)作為特征向量而不影響系統(tǒng)性能.該文主要將SVM這一新的機器學習方法應用到陣列天線領域,并用該算法實現(xiàn)對目標信源的測定.為了利用支持向量機的函數(shù)擬合來預測信源位置,我們將支持向量機理論和陣

2、列天線模型結(jié)合在一起,根據(jù)兩者的不同特點構(gòu)造了一個訓練數(shù)據(jù)結(jié)構(gòu);并設計了通過改變不同參數(shù)對訓練機器進行優(yōu)化的新的系統(tǒng)模型.這樣不僅發(fā)揮了SVM技術(shù)的優(yōu)越性,而且還推廣了該技術(shù)應用領域.該文仿真采用6元直線等距陣列天線對于平面波入射的處理情形.把陣列天線采集的訓練樣本的協(xié)方差矩陣進行適當變換之后送入SVM訓練器進行學習,然后根據(jù)這個學習機對未知樣本進行SVM的函數(shù)擬合,得到信源方向.訓練中需要采用不同的參數(shù),以求得最佳學習機.這種算法處理