提出了一种利用混合蛙跳算法(SFLA)优化最小二乘支持向量机(LSSVM)算法的混合优化算法, 并将其应用到多峰Brillouin散射谱的特征提取中。SFLA-LSSVM混合优化算法利用SFLA对LSSVM算法中的惩罚因子C和核函数中的核宽度σ进行寻优, 避免了LSSVM算法陷入局部最优导致的Brillouin频移误差较大。通过对相同信噪比、不同线宽以及相同线宽、不同信噪比2种情况下的多峰Brillouin散射谱仿真分析以及实验验证, 拟合适应度为0.0067, 拟合度为99.99%, Brillouin频移误差为0.18 MHz。实验结果表明SFLA-LSSVM混合优化算法能够精确地对多峰Brillouin散射谱进行拟合, 同时该算法具有拟合精度高、均方误差小、运行速度快的特点, 为多峰Brillouin散射谱的特征提取提供了一种新方法。

采用传统方法对多峰Brillouin散射谱进行拟合的过程中, 通常是以谱线最大功率点为基准的, 却忽略了其他比该点小但却是极值的功率点。 这样获得的拟合曲线通常只有一个峰值, 相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化, 导致大量有用信息的丢失。 为了提高Brillouin散射谱的特征提取精度, 提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。 MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷; PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率, 该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题, 又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。 较传统算法而言, MCDM-PSO-LM算法保证了对最优值求解的速度和精度, 提高了运算能力, 使解析解最大限度地接近最优值。 分别在不同信噪比和不同线宽条件下进行仿真验证, 频移和温度误差分析结果表明, MCDM-PSO-LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位, 可用于多峰Brillouin散射谱的特征提取, 识别效果明显强于传统算法, 提高了信息分析的准确性。