简介:将模式识别领域的经典算法——Fisher线性判别应用于Am-Be中子源混合场特定能量段的中子/伽马粒子甄别研究。液闪探测器由Ф0mm×50mm的BC501A液闪和R329型光电倍增管组成,探测器距Am-Be源80cm放置,用泰科公司的DPO7104型示波器数字化采集探测器信号。结果表明,Fisher线性判别以获得高甄别品质因子为准则来构建投影向量,其甄别结果优于以向量投影法为代表的投影类波形甄别方法。
简介:目的:基于支持向量机回归(SVR)模型在非线时间序列的预测能力及经验模态分解(EMD)方法在处理非线性非平稳性的优势,提出一种复合自回归经验模态分解支持向量机回归(AR-EMDSVR)模型,提高非线性非平稳船舶运动极短期预报精度。创新点:1.研究非线性非平稳船舶运动的极短期预报问题,提出一种复合的预报方法;2.基于不同层次的预报模型和模型试验数据,分析非线性非平稳性对极短期预报精度的影响。方法:1.在SVR模型中引入基于自回归(AR)预报端点延拓的EMD方法,形成复合的AR-EMDSVR预报模型;2.基于集装箱船模水池试验运动数据将AR-EMD-SVR模型与AR、SVR和EMD-AR三种模型进行比较,分析非线性非平稳性对极短期预报的影响以及不同模型的预报性能。结论:1.AR-EMD方法能够有效的克服非平稳对极短期预报模型(AR和SVR)在精度上所带来的不良影响;2.基于船模试验数据的预报结果表明:相较于AR、SVR和EMD-AR三种预报模型,基于AR-EMD-SVR模型的非线性非平稳船舶运动极短期预报结果具有更高的精度。