Resumen

Con el objetivo de las características caóticas de la señal acústica submarina, en este artículo se propone un modelo de predicción de máquina de aprendizaje extrema con núcleo optimizado de lobo gris (OKELM) basado en MVMD para la predicción a corto plazo de señales acústicas submarinas. Para resolver el problema de la selección de valores en la descomposición modal variacional, se propone un nuevo método de selección de valores MVMD desde la perspectiva de la información mutua, lo que evita la ceguera de la descomposición modal variacional (VMD) en el número modal preestablecido. Basándose en el modelo de predicción de máquina de aprendizaje extrema con núcleo (KELM), este artículo utiliza el algoritmo de optimización de lobo gris (GWO) para optimizar y seleccionar sus parámetros de regularización y parámetros de núcleo y propone una máquina de aprendizaje extrema con núcleo optimizado OKELM. Para mejorar aún más el rendimiento

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Señal acústica submarina; Modelo de predicción; Optimización del lobo gris; Máquina de aprendizaje extremo del núcleo; MVMD; Parámetros de regularización
• Keywords:Underwater acoustic signal; Prediction model; Grey wolf optimization; Kernel extreme learning machine; MVMD; Regularization parameters