一种基于Chebyshev混沌神经网络的视频水印算法

针对视频版权的保护,提出一种基于Chebyshev混沌神经网络的视频水印算法。首先选取二值图像作为图像水印,利用Chebyshev混沌神经网络对图像进行加密;然后对宿主视频进行分帧处理,通过Henon映射产生混沌序列提取关键帧,同时提取关键帧亮度分量的低频系数,将处理后的图像水印自适应地嵌入小波变换后亮度分量的低频系数中。实验结果表明,该算法具有较好的不可见性,且针对噪声、高斯滤波、旋转、帧丢失等攻击具有良好的鲁棒性。

分布时滞脉冲控制策略的混沌神经网络的同步

提出一个新的分布时滞脉冲控制器,研究具有分布时滞的混沌神经网络的同步。基于新的脉冲时滞不等式,建立混沌神经网络的同步准则。通过数值算例,验证了分布时滞控制的有效性。

基于神经网络的舰船混沌保密通信系统研究

以提升舰船通信安全性及同步性为出发点,设计基于神经网络的舰船混沌保密通信系统。基于舰船混沌同步保密通信系统一般模型,在系统发射端设计基于径向基函数神经网络(RBFNN)的跟踪器,跟踪舰船信息信号,通过混沌调制模块调制系统的状态量参数,并加密舰船信息信号将其混沌视为载波进行混沌掩盖后,通过信道进行传输,经噪声消除器去除信号噪声后,在混沌解调模块设计基于RBFNN的同步控制器,输出同步解调后的原始舰船信息信号传输至接收端,实现舰船信息保密同步通信。实验结果显示,该系统加密后,信息可有效掩盖信号真实情况,信号去噪后可还原信号本真,解调后可在接收端实现高精度的信号还原;且该系统应用后的信息可有效防止攻击者窃取。

基于混沌粒子群卷积神经网络的配电设备异常辨识技术研究

针对当前配电设备异常辨识率低导致电力系统的稳定性和可靠性变低的问题,提出了一种基于混沌粒子群卷积神经网络的配电设备异常辨识方法。首先分析影响配电设备正常工作的因素,使用最大信息系数(Maximum Information Coefficient,MIC)的方法选取和配电设备健康状态最相关的状态量;其次将选择出来的状态量作为卷积神经网络(Convolutional Neural Network,CNN)的输入,为了提高网络的训练效率和速度,使用改进粒子群算法(Particle Swarm Optimization,PSO),即混沌粒子群算法(Chaos Particle Swarm Optimization,CPSO)去训练网络参数,深度学习配电设备特征,网络输出为设备状态;最后经过实验进行验证,将方法和普通卷积神经网络以及普通粒子群优化的卷积神经网络相比,对于配电设备异常辨识的准确率分别提高了10.28%和6.43%,说明了方法的优越性。

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。

基于混沌神经网络的供配电系统谐波干扰自动抑制

文章提出一种基于混沌神经网络的供配电系统谐波干扰自动抑制方法。首先,通过高精度的数据采集系统获取配电系统的实时电流和电压数据,并进行数据的预处理,以确保数据的准确性和可用性;其次,构建具有混沌特性的神经网络模型,该模型能捕捉到谐波的非线性动态特性,并通过训练使其具备预测和抑制谐波的能力;最后,将训练好的混沌神经网络模型应用于配电系统的实时控制中,实现对谐波干扰的自动抑制。实验结果表明,该方法能有效降低谐波含量,提高电网的电能质量,具有良好的应用前景。

基于BP神经网络的混沌振子相态识别

混沌振子对微弱信号具有较好的检测效果,其对特定频率信号的敏感性和抗干扰性,能有效解决孤岛检测、电能质量分析、局部放电检测以及绝缘检测中信号微弱等问题。对混沌振子进行分析,并提出基于反向传播(BP)神经网络的状态识别方法,利用混沌振子的相图特征进行训练。该方法准确率可达100%,且速度较快,为电网微弱信号检测提供了新思路。

基于混沌理论和RBF神经网络算法的风电功率预测研究

风电功率预测对并网后电力系统的发电量调度、优化以及安全稳定地运行具有重要意义。通常算法是通过分析风功率与天气因素的关系等方法来预测的,没有从风机发电系统的角度出发。因此,传统算法使用的数据种类较多,导致模型的训练压力较大,且容易陷入局部极小值点,影响预测结果。由于风力发电时间序列具有混沌特性,本文将混沌理论与RBF神经网络结合应用至风电功率预测中。本文采用宁夏长山头风电场数据进行了训练与预测,并与BP神经网络模型进行对比,结果显示,混沌RBF神经网络取得了良好的效果,提高了超短期预测的预测精度。

基于混沌系统和离散小波变换的卷积神经网络的电力电缆故障诊断

针对传统电力电缆特征提取方法存在信息冗余及故障模型诊断不精准的问题,提出了一种基于混沌系统和离散小波变换的卷积神经网络的故障诊断算法,即采用离散小波变换对采集的局部放电信号进行滤波,采用洛伦兹混沌系统建立动态误差散布图以提取故障特征,最后通过卷积神经网络(CNN)进行故障识别。结合4种典型电力电缆绝缘故障及测试平台进行验证,结果表明,所提算法能够快速准确地识别电力电缆的故障状态,识别准确率达到97.5%,证明了所提算法的可行性和有效性,其能够为电力电缆的故障诊断提供一定的参考价值。

机车牵引齿轮系统混沌运动的径向基函数神经网络控制

针对HXD2牵引齿轮系统运行性能监控需求,建立了单自由度牵引齿轮系统动力学模型并结合分岔图、相图和Poincaré截面图分别分析了阻尼系数、啮合刚度的变化对系统周期性响应的影响。基于径向基函数神经网络设计了混沌控制器,同时控制器的参数用量子粒子群算法进行优化,并通过对阻尼系数施加微幅扰动,将系统混沌运动控制为稳定的周期运动。

基于改进海鸥优化算法的BP神经网络及其应用

针对传统反向传播(BP)神经网络在预测时随机产生的初始权值、阈值影响准确性的问题,提出一种改进的海鸥优化算法(ISOA)对BP神经网络的初始阈值、权值进行寻优。首先,为提高海鸥优化算法(SOA)的收敛精度和跳出局部最优的能力,使用Sine混沌映射初始化种群,引入非线性参数A,在海鸥攻击时引入乘除策略进行扰动,同时在攻击阶段后引入反向学习策略。然后,使用ISOA优化BP神经网络初始权值、阈值,解决对初值敏感和易陷入局部最优的问题。最后,在冻结裂隙砂岩动态冲击试验中进行峰值应力预测,结果表明:对比原始BP、粒子群优化(PSO)-BP和SOA-BP,ISOA优化后的BP神经网络对峰值应力预测精度更高。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

基于相空间重构和卷积神经网络的混沌信号识别方法

针对卷积神经网络在处理一维信号时会由于网络模型参量过多导致算法收敛慢和过拟合问题,提出了一种基于相空间重构和卷积神经网络的混沌振动信号智能识别方法。首先,利用时间延迟法将一维混沌振动信号重构为二维吸引子图;然后,通过扫描转换法将其转换为标准像素图输入卷积神经网络模型;最后,借助卷积神经网络强大的图像分类能力,实现仿真和试验混沌振动信号的智能识别。结果表明:该方法能对含噪声的混沌振动信号进行有效识别,在信噪比超过10 dB时分类准确率仍可达100%,不仅具有良好的泛化性、稳定性和通用性,还消除了训练的过拟合现象,能较好地应用于工程实际中。

基于IWOA-BP神经网络图像复原

针对传统复原算法在退化图像复原过程中存在明显滞后的问题,建立了一种改进的鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)-BP神经网络图像复原模型。首先,通过Tent混沌增强初始种群的均匀性和多样性;其次,采用非线性权重和改进的收敛因子,平衡算法的全局搜索与局部寻优能力;最后,结合Levy飞行策略更新个体位置,帮助算法跳出局部最优。随后采用经典图像数据,建立IWOA-BP模型。选取PSNR、SSIM和NMSE作为网络模型的评价指标,与BP、GWO-BP、WOA-BP进行对比。实验结果表明IWOA-BP模型图像复原视觉效果更好,提高了图像复原的质量。

基于混沌RBF神经网络的电商市场销量预测模型技术研究

商品销量受多种因素影响,这种影响难以用公式准确表达.为了获得更精准的预测结果,针对商品销量预测的高度复杂性和非线性,提出了基于混沌RBF神经网络的商品销量预测模型.该模型基于电商市场商品销售历史数据,使用李雅普诺夫指数算法评估商品销售数据混沌序列特性,并通过对数据库相结构的空间优化重构,利用RBF神经网络技术对优化重构后的数据进行训练归纳.同时,通过混沌方法计算网络的连接权值和高斯函数径向基中心,实现了RBF神经网络的优化.在Matlab平台上进行了仿真实验,结果表明,该混沌优化RBF神经网络商品销售预测模型具有较高的精度和较快的速度.

注意力改进的动态自组织模块化神经网络结构设计及应用

针对混沌时间序列的复杂性和非线性特点,提出了一种专注于此类挑战的新型神经网络模型,即注意力改进的动态自组织模块化神经网络模型(ADAMNN)。该模型基于分而治之的思想,通过注意力机制计算不同子网络与输入数据的相似度,并利用层次聚类自适应地划分子网络。随后,采用基于层次聚类的动态生长机制,对子网络簇进行增减,最后通过激活的子网络簇对输入样本进行在线学习;同时,结合传统的集成输出方法,提出了一种基于注意力机制的子网络加权集成输出方法。最终分别在Mackey-Glass时间序列、M-G快时变时间序列、非线性系统辨识、煤矿开采过程中在瓦斯浓度数据集上进行了实验,ADAMNN展现出了实时更新子网络中心、动态构建子网络簇的能力,而且与基于欧几里得空间的动态自适应模块化神经网络相比,预测准确度提高了约40%。

基于深度神经网络的网络信息数据传输自动加密算法研究

为更好地应对各种复杂和多变的安全威胁,提出基于深度神经网络的网络信息数据传输自动加密算法。利用级联Chebyshev映射,生成网络信息数据的伪随机混沌序列;通过生成对抗网络处理伪随机混沌序列,生成网络信息数据的置乱矩阵;通过长短期记忆网络处理混沌序列,生成网络信息数据的置乱矩阵;利用加权融合方式,融合两个网络生成的置乱矩阵;按照融合后的置乱矩阵置乱处理网络信息数据,完成网络信息数据传输自动加密。实验证明,在承受复杂网络攻击时,该算法具备较优的自愈性能,提升了网络信息数据传输的安全性。

基于CSSA-LSTM神经网络的动态称重算法的研究

为了提高动态称重的测量精度,实现智慧牧场的实时监测和精细化管理,提出利用混沌麻雀搜索算法优化LSTM的神经网络的动态称重算法。通过动态称重台进行数据采集,并使用卡尔曼滤波算法对干扰数据进行处理。利用Tent映射策略和高斯变异后的麻雀搜索算法优化LSTM神经网络各参数,从而建立CSSA-LSTM神经网络模型。结果表明,CSSA-LSTM神经网络的平均绝对百分比误差在1.5%以内,平均绝对误差减少了0.874,均方根误差减少了1.1153。对比实验证明,该混合算法预测的误差最小,有效提高了动态称重的测量精度。

基于改进SSA-BP神经网络的钠硫电池拆解刀具温度预测模型研究

钠硫电池中含有大量的高纯度钠,在自动化拆解过程中存在燃烧、爆炸等安全风险。针对钠硫电池在车削拆解时存在的安全性问题,提出一种改进SSA-BP神经网络算法来预测刀具加工的最高温度。利用ABAQUS软件计算出刀具加工的实时温度,通过电池拆解实验验证仿真数据的可靠性;然后以仿真温度数据建立样本,利用Tent混沌映射对SSA-BP神经网络算法进行优化,建立刀具温度仿真预测模型。实验结果表明:该仿真预测模型收敛速度快,鲁棒性强,模型误差小。