混沌噪声背景下微弱脉冲信号的检测及恢复

构建了一种在混沌噪声背景下检测并恢复微弱脉冲信号的模型.首先,基于混沌信号的短期可预测性及其对微小扰动的敏感性,对观测信号进行相空间重构、建立局域线性自回归模型进行单步预测,得到预测误差,并利用假设检验方法从预测误差中检测观测信号中是否含有微弱脉冲信号.然后,对微弱脉冲信号建立单点跳跃模型,并融合局域线性自回归模型,构成双局域线性(DLL)模型,以极小化DLL模型的均方预测误差为目标进行优化,采用向后拟合算法估计模型的参数,并最终恢复出混沌噪声背景下的微弱脉冲信号.仿真实验结果表明本文所建的模型能够有效地检测并恢复出混沌噪声背景中的微弱脉冲信号.

基于局域线性法和卡尔曼滤波的强混沌背景下正弦信号恢复的混合算法

本文提出一种局域线性-周期图检测-卡尔曼滤波混合算法LL-P-KF,用来恢复强混沌背景下正弦信号.首先,建立混沌信号的一步预测模型;然后,利用周期图检测潜在周期;最后,应用卡尔曼滤波从误差中恢复正弦信号.仿真实验表明该混合算法具有较好的恢复效果.

混沌时间序列的局域多项式系数建模及预测

由于局域线性模型的简洁、易于实现,在过去的三十年里,它被广泛的研究并用来预测混沌时间序列。本文依据混沌时序的局部特性和非线性特性,在局域线性模型的基础上,提出基于多项式系数自回归模型的局域非线性混沌时间序列预测方法(简称局域非线性模型)。相比于局域线性模型,该模型能够有效地逼近混沌时间序列的非线性特性。三种典型的混沌时间序列(Logistic映射、Henon映射和Lorenz系统)的仿真结果表明,局域非线性模型的多步预测性能及预测稳定性均好于局域线性模型,且在样本数据较少的情况下也有较高的预测精度。