基于混合神经网络的混沌噪声背景下微弱脉冲信号的检测

微弱信号是指相对背景噪声而言,其信号幅度的绝对值很小、信噪比较低的一类信号,这种信号通常受到各种干扰和噪声的影响,使得其在背景中难以被准确检测或识别。微弱信号可能来自于远距离传输、低功率信号源、弱信号目标等情况。在实际应用中,检测和提取微弱信号是一项重要的技术挑战,因为微弱信号往往包含有用的信息,例如传感器信号、通信信号、生物信号等。有效地检测和分析微弱信号可以帮助我们了解环境、诊断疾病、进行通信传输等。为了提高微弱信号的检测精度,本文构建一种基于注意力机制的CNN-LSTM模型,首先,基于混沌信号对初始值的敏感性及短期可预测性,根据Takens定理对各局部传感器的观测信号进行相空间重构,建立Att-CNN-LSTM模型来对混沌信号进行预测,由此得到单步预测误差,此时,对观测信号的检测问题就可以转化为对一步预测误差的信号检测问题。最后,使用Z检验的方法对微弱信号进行检测,得到局部传感器的检测结果。实验结果表明,本文提出的模型有相较于其他模型有更好的表现。

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.

混沌噪声扰动的地震波形反演研究

地球物理优化反演问题大都是非线性、多参数、多极值的反演问题 ,因此从一些非线性领域去探索新的全局优化算法来求解地球物理反演问题具有很大的实际价值。将一种混沌噪声扰动的思想引入到了地震波形的优化反演中 ,通过加入混沌噪声算子来提高梯度下降算子的全局收敛能力 ,既保持了梯度下降法的快速搜索能力 ,同时又具有逃出局部极值陷井的“动力”。模型试验表明 ,混沌噪声扰动的策略比常规的遗传算法和基于Logsitc混沌运动轨迹搜索的优化算法具有更快的运算效率 ,更少的主观控制参数 。

混沌噪声产生器及其FPGA实现

为实时产生混沌噪声,设计了一种基于Tent映射双向耦合映象格子和"接收-拒绝"法的混沌噪声产生器,将其由浮点运算转换为定点运算后在FPGA上实现。所实现的混沌噪声产生器具有结构简单、运算复杂度低、资源占用少且易于控制等优点。性能测试结果表明:混沌噪声产生器能够产生具有任意分布和平坦功率谱的混沌噪声,且随机性较好。

混沌噪声中有用信号参数估计的一种新算法

摘 要:提出了基于神经网络预测器的参数估计算法,该算法将神经网络拟合非线性函数的能力和功率谱分析技术相结合.文中介绍了相空间重建技术和神经网络的原理,对于神经网络预测模型,给出了所提算法的原理和步骤,针对具体应用问题,用计算机仿真实验验证了该算法提取混沌噪声中信号参数的有效性,给出了实验结果和必要的分析.*

混沌噪声背景下微弱激光信号的放大与检测技术

在混沌噪声背景下,现有的微弱激光信号放大检测技术存在检测速度较慢、检测准确度较低的问题,提出一种新的混沌噪声背景下微弱激光信号的放大与检测方法。利用频率尺度变换方法对不同的微弱激光信号进行处理,通过噪声强度统一化处理系统参数,根据系统参数对不同频段的信号进行随机共振处理,增强信号强度,完成微弱激光信号的放大。对放大后的信号进行信号阵元接收模型的构建,通过多路传感器盲分离提取有用的信号,实现微弱激光信号的检测。对仿真实验数据进行分析,根据分析结果可知,所提方法能够有效增强信号的幅值,微弱激光信号的检测速度和检测准确度均明显提高。

基于时频分析的混沌噪声背景下谐波信号频率估计

利用小波变换法和相关法结合对混沌噪声背景下谐波信号的频率进行估计。根据混沌噪声与谐波信号在不同分解尺度上具有不同的能量聚集性的特点,采取不同的尺度系数对含有混沌噪声的谐波信号进行Daubechies小波重构,将混沌噪声和谐波信号分离,得到谐波信号的估计值。再进一步对谐波信号的估计值进行计算,即可得出谐波信号的频率。理论分析和仿真实验表明,该方法对淹没在混沌噪声背景下谐波信号的频率估计是非常有效的,当信噪比较低时,仍可以有效地估计出谐波信号的频率。

从混沌噪声背景中提取周期性激励信号

周期性信号通过非线性系统后常会被转变成具有噪声特性的混沌信号,从频域上看原来的离散谱被扩展成了宽带的混沌频谱,因此从这种宽带的、类似噪声的混沌信号中提取出原来的周期激励有着重要的理论和实用意义。从非线性动力学系统的建模理论出发,采用一个简单的“多项式-简谐激励”非自治系统方程,通过计算该方程在不同频率驱动下对原系统的逼近误差,可以获得驱动该非自治系统的信号的频谱,并最终达到提取激励信号的目的。

卡尔曼滤波下混沌噪声背景中微弱脉冲信号的检测

如何提高目标微弱信号的检测正确率,一直是信号研究处理的难点。基于卡尔曼滤波,提出了一种适用于混沌噪声背景下微弱脉冲信号的检测方法。利用卡尔曼滤波建立一步预测模型对混沌信号进行单步预测,得到预测误差;给定一个阈值,用于检测出被淹没在混沌噪声下的微弱脉冲信号。仿真实验结果表明:利用卡尔曼滤波可以更准确高效地检测出混沌噪声背景下的微弱脉冲信号,且状态空间模型的检测结果最优,在信噪比为-80.12 dB时,检测精度高达91.67%,F1得分达到了0.88,相较于ARIMA模型检测精度提高了8.33%,检测性能提高了4.00%。

混沌噪声背景下微弱脉冲信号的分布式检测融合

提出了一种在混沌背景信号中检测脉冲信号的融合算法。首先,基于混沌信号的短期可预测性,对局部传感器的观测分别进行相空间重构,建立线性自回归模型剥离混沌背景噪声,得到单步预测。然后,将单步预测结果视为局部传感器的新的观测,在Bayes准则之下建立了检测融合模型,并对传感器判决规则和融合规则进行了推导,利用高斯赛德尔的思想给出了检测融合算法。仿真实验结果表明:建立的模型和提出的算法能有效检测出混沌噪声背景中的微弱脉冲信号,检测效果明显优于单个传感器的检测效果。

基于迟滞噪声混沌神经网络的导频分配

在多小区大规模多输入多输出(MIMO)系统中,导频污染已经成为制约整个系统的瓶颈。合理地使用导频资源能减轻导频污染的影响,为了寻找使边缘用户和容量最大的导频分配方式,该文首次提出了基于迟滞噪声混沌神经网络(HNCNN)的导频分配方案。迟滞噪声混沌神经网络作为良好的优化工具,其优化能力与所设计的能量函数相关。该方案结合导频资源使用的特点以及最大化边缘用户和容量的计算方式,设计了新的能量函数。仿真结果表明,网络能在一定迭代次数后收敛到较优的导频分配方式。与其它文献方案相比,采用以HNCNN为框架求取导频分配方式,可以更有效减轻导频污染的影响,使系统性能得到改善。

混沌加密系统的保密性能

从混沌同步对参数失配敏感性的特点出发 ,探讨了基于自然混沌系统同步分解的混沌保密通信系统的保密性能 ,指出基于低维混沌系统的通信系统不具有高保密性 ,容易受自适应同步控制的攻击 .针对这一缺陷 ,对一类基于离散时间混沌噪声发生器的混沌加密方法进行了研究 ,其加密器与解密器之间对参数匹配误差敏感性的特点能防止自适应同步控制的攻击 ,且实现简单 ,加密性能易于控制 。

自适应混合混沌神经网络及其在TSP中的应用

为了进一步提高混沌神经网络的收敛效果,将T.Kwok和K.A.Smith所总结的内、外两类混沌神经网络相结合,并加入自适应方法,提出了自适应混合混沌神经网络。这种网络可以同时通过线性和非线性两种途径来改变网络能量函数进行搜索,这使得搜索过程具有更为丰富的动力学行为。同时由于自适应方法的引入,保证能量函数的变化在整个搜索过程中对动态方程有较强的作用,从而减少了网络收敛时的迭代步数。仿真研究表明,在求解TSP上,其效果优于随机混沌模拟退火网络。

基于神经网络预测器的混沌海杂波弱信号检测

针对海杂波中的弱信号检测问题 ,借鉴杂波的混沌动态建模思想 ,重点讨论非线性混沌序列的神经网络建模、预测及信号检测方案。基于神经网络拟合非线性函数的能力 ,提出神经网络预测混沌时间序列的算法和信号检测方案。介绍了所提算法的原理和步骤 ,针对具体应用问题 。

一种改进的混沌掩盖技术

该文分析了目前混沌掩盖系统存在的问题,产生的原因并提出了改进的方案。通过理论分析和计算机仿真,证明了改进方案真正实现了混沌掩盖通信。与原型系统对比,改进方案同时改善了系统的性能。

一种基于改进暂态混沌神经网络的信道分配算法

该文针对暂态混沌神经网络(TCNN)求解信道分配问题(CAP),分析混沌神经网络模型及其混沌性态,依据其按自反馈连接权值的减小,由混沌态通过逆分岔而收敛到稳定状态的特性,提出了一种对暂态混沌神经网络进行分段退火的策略,即依据混沌神经网络运行过程中,对应Lyaponov指数的变化特性而确定分段点,使网络能有效地利用混沌态进行全局搜索和加快收敛:在7小区的信道分配中,网络收敛速度提升了30%左右,在25小区的Kunz基准测试程序的仿真中,收敛速度也提升了近15%;仿真结果表明其有效减少了网络运算的迭代步数,提高了网络的搜索效率:通过相应理论和仿真结果的分析,对网络的搜索性能、参数的选择与设置进行了进一步的讨论。

用于约束非线性全局优化的混沌退火神经网络(英文)

混沌神经网络具有全局搜索能力 ,但其运用至今主要局限于组合优化 .通过对普通 Hopfield优化网络引入混沌噪声退火过程 ,提出了一种用于约束非线性全局优化的混沌退火神经网络 ,它易于实现 ,原理简明 ,应用广泛 .对很复杂的测试函数的数字试验表明 ,该模型能够高效、可靠地搜索到全局最优 ,其性能超过遗传算法 GAMA

基于有效K均值-有效极限学习机的混沌海杂波背景中微弱信号检测

为了在复杂混沌噪声背景中快速准确提取有用信号,提出基于复杂非线性系统相空间重构理论,采用改进极限学习机(ELM)预测单步误差检测微弱信号的方法。采用改进K均值聚类算法选择最优族作训练集,改进极限学习机选择权值和偏置的方法进一步提高检测的精度和速度,采用Lorenz系统建立了混沌噪声序列的一步预测模型,从预测误差中检测湮没在混沌噪声中的微弱目标信号(包括周期信号和瞬态信号),然后使用加拿大Mc Master大学IPIX雷达数据,在海杂波噪声中提取漂浮物信号作为实验研究。结果表明该方法能够有效检测混沌背景噪声中极微弱信号,同时抑制噪声对混沌背景信号的影响,与径向基函数(RBF)神经网络等传统算法相比,预测精度提升了25%,检测门限提高了-5 d B,同时训练用时减少77.1 s,在实际应用中具有更明显优势。

混沌系统奇异性分岔过程分析

通过对杜芬(Duffing)方程的分岔与奇异性的研究,利用弱正弦信号扰动下杜芬振子经过足够多的分岔会产生近似白噪声的频谱特性,对杜芬振子的分岔方程和解态频谱进行分析,证明白噪声信号与混沌信号属于同一类信号,本文首次验证了确定系统混沌信号的频谱与噪声随机信号的相似性。

混沌PN序列的DSP实现及其性能分析

为了产生性能良好的伪噪声序列,该文提出了一个新的混沌系统。基于该系统和数字信号处理器研究了混沌伪噪声序列的一种产生方法,对获得的序列进行了随机性测试,测试结果及密钥空间、密钥敏感性分析表明,该序列性能良好并能满足信息加密的需要。