一种混沌信号的盲分离方法

多个混合混沌信号的分离，在混沌及其应用中是一个重要的问题.提出了一种线性混合的混沌信号的瞬时盲分离方法，它利用了各个混沌信号源之间的互不相关性，在未知混合矩阵和混沌方程的情况下，通过求解特征向量的方法从观测量中直接估计出解混合矩阵，以重构出源混沌信号.仿真结果表明，即使在低信噪比情况下，该方法仍可以有效地从噪声背景中分离出多个混合的混沌信号. 关键词： 混沌 盲分离 信噪比 特征向量     

一种基于人工蜂群算法的混沌信号盲分离方法

混沌信号所固有的非周期、宽带频谱和对初值极度敏感等特性使得对这类信号进行盲分离极为困难. 针对这一问题, 提出一种新的盲分离方法, 该方法通过相空间重构来构造代价函数, 将混沌信号的盲分离转化为一个无约束优化问题, 并利用人工蜂群算法进行求解. 不同于现有的独立成分分析方法仅使用混合信号的统计特性来解决分离问题, 该方法能充分利用混合信号内在的动态特性, 因而在处理混沌信号这种确定性信号时能获得更好的分离效果. 此外, 正交矩阵的参数化表示有效地降低了盲分离问题的复杂性, 使优化过程能快速收敛. 实验结果表明, 该方法具有较快的收敛速度和较高的数值精度, 在分离混沌信号时其整体性能优于现有的几种盲分离方法. 同时, 在分离混沌-高斯混合信号的实验中该方法也展现出优异良好的性能, 这表明该文的方法有应用潜力.     

受污染混沌信号的协同滤波降噪

根据混沌吸引子的自相似分形特性,提出了一种利用协同滤波重构受污染混沌信号的降噪算法.所设计的降噪算法通过对相似片段的分组将一维混沌信号的降噪转化为一个二维联合滤波问题;然后,在二维变换域用阈值法衰减噪声;最后,通过反变换获得原始信号的估计.由于分组中的相似片段具有良好的相关性,与直接在一维变换域做阈值降噪相比,分组的二维变换能获得原信号更稀疏的表示,更好地抑制噪声.仿真结果表明,该算法对原始混沌信号的重构精度和信噪比的提升都优于小波阈值、局部曲线拟合等现有的混沌信号降噪方法,对相图的还原质量也更好.     

一种新的参数估计方法及其在混沌信号盲分离中的应用

为了有效地估计非线性映射中的参数,本文采用一种容积准则近似该映射的加权积分函数. 基于由状态空间模型建模的参数,提出了一种新的参数估计方法. 混沌信号的盲分离是一种具有挑战性的参数估计问题.将新的参数估计方法应用在该问题上, 实现混沌信号的有效重构.仿真结果表明该算法具有较快的收敛速度和较高的数值精度, 并能有效地分离原始混沌信号.     

强混沌干扰中的谐波信号提取

提出一种新的从强混沌干扰中提取被掩蔽的谐波信号的方法.依据混沌吸引子固有的几何性质,借助微分流形切空间的概念,将混沌干扰和谐波信号分别投影到混沌吸引子所在流形的切空间及其补空间,从而成功地将二者分离.理论分析和计算机仿真实验都表明该方法非常有效 关键词： 混沌 非线性 信号处理     

一种混沌映射的相空间去噪方法

对于混沌映射来说,它们的频谱比混沌流的频谱更广阔,与噪声频谱的重叠率更高,所以混沌流的去噪方法对它们并不适用. 在半盲分析法的框架下,混沌系统的参数估计问题终将归结为最小二乘估计问题. 本文从最小二乘拟合的角度出发估计混沌映射的演化参数,进而通过相空间重构以及投影操作,实现对观测信号的噪声抑制. 实验结果表明,该算法的去噪效果优于扩展卡尔曼滤波器（extended Kalman filter,EKF）和无先导卡尔曼滤波器（unscneted Kalman filter,UKF）,并且能够较大程度地将信号源的混沌特征量还原. 关键词： 混沌 噪声抑制 相空间重构 投影     

基于最优滤波器的强混沌背景中谐波信号检测方法研究

强混沌背景中的微弱谐波信号检测有重要的工程研究意义. 目前的检测方法主要是基于Takens理论的混沌相空间重构方法, 然而这些方法往往对信干噪比要求高, 且对高斯白噪声敏感等. 本文注意到混沌信号的二阶统计特性是不变的, 根据这个特点提出了一种基于最优滤波器的强混沌背景中的微弱谐波信号检测方法. 该方法首先构建一个数据矩阵, 在频域上对每个频率通道分别检测谐波信号, 从而将信号检测问题转化为最优化问题, 然后利用最优化理论设计滤波器, 使待检测频率通道的信号增益保持不变, 而尽量抑制其他频率通道的信号, 最后通过判断每一频率通道的输出信干噪比来检测谐波信号. 与传统方法相比, 本文方法有如下优点: 1)可以检测更低信干噪比下的微弱谐波信号; 2)可检测的信号幅度范围更大; 3)抗白噪声性能更强. 仿真结果证明了本文方法的有效性.     

螺旋桨鸣音的混沌动力特性研究

利用混沌动力学方法研究螺旋桨鸣音信号时间序列,估计时间序列的相空间重构最佳参数,并提出其具有混沌动力特性,分析了系统拓扑维数的边界和生成系统所必须独立变量的个数,还计算分析了重构相空间中吸引子轨迹随时间演化的发散情况。分析计算结果表明:螺旋桨鸣音信号时间序列可以选取最佳延迟时间t_D=1、最小嵌入维数d_E=8进行相空间重构,其混沌吸引子的关联维数为5.1579、最大Lyapunov指数为0.0771,此研究结果可以为螺旋桨鸣音现象的进一步研究提供理论基础。     

混沌直接序列扩频信号盲解调的硬件电路实现

提出了基于现场可编程门阵列 (FPGA) 技术的混沌直接序列扩频信号盲解调的硬件电路实现方法. 设计了混沌直接序列扩频信号发射机与接收机. 发射机可产生10种不同的混沌直接序列扩频信号. 为方便接收机的硬件电路实现, 对无先导卡尔曼滤波混沌拟合盲解调算法进行了简化, 在简化模型的基础上设计了接收机硬件结构. 提出了一种动态调整偏移因子的新方法, 使接收机能实时适应混沌映射的变化. 通过高斯白噪声信道及多径信道条件下的盲解调实验, 验证了盲解调算法硬件实现的抗噪声与抗多径性能, 以及对10种不同的混沌直接序列扩频信号的自适应破译效果. 关键词： FPGA 混沌直接序列扩频通信 盲解调     

耦合映射混沌同步系统在加性噪声中的筛形域性态

由于实际系统中噪声不可避免，噪声使得同步混沌吸引子A变成具有一定生存时间<τ>的准稳态吸引子A′.以加性噪声作用下的二维耦合映射混沌同步系统为例，给定系统实验时间长 度T，解析发现：仅当<τ>>2T时准稳态同步混沌吸引子的筛形吸引域才可被定性观察到；而 当<τ><2T时则不复存在，此时，根据原无噪声时的筛形吸引域特征的不同，筛形域不仅可 以转变成时变筛形结构，还可以转变成分形结构.同时利用数值模拟作了进一步验证.该结果 对于二维耦合映射混沌同步系统具有普遍意义. 关键词： 混沌同步 筛形吸引域 瞬态混沌 耦合映射 加性噪声     

混沌干扰中基于同步挤压小波变换的谐波信号提取方法

针对混沌干扰背景下多个谐波信号的提取问题, 提出了一种基于同步挤压小波变换(SST)的谐波信号抽取方法. 首先利用SST将混沌信号和谐波信号组成的混合信号分解为不同的内蕴模态类函数, 然后利用Hilbert变换对分离出的内蕴模态类函数进行频率识别, 从中分离出各谐波信号. 以Duffing混沌背景为例, 对混沌干扰下多谐波信号的提取进行了实验分析. 实验结果表明: 对于不同频率间隔的多个谐波分量, 本文方法的提取结果都具有较高的精度, 而且所提方法对高斯白噪声的干扰具有较好的鲁棒性, 综合提取效果优于经典的经验模态分解方法.     

Harmonic signal extraction from noisy chaotic interference based on synchrosqueezed wavelet transform

For the harmonic signal extraction from chaotic interference, a harmonic signal extraction method is proposed based on synchrosqueezed wavelet transform(SWT). First, the mixed signal of chaotic signal, harmonic signal, and noise is decomposed into a series of intrinsic mode-type functions by synchrosqueezed wavelet transform(SWT) then the instantaneous frequency of intrinsic mode-type functions is analyzed by using of Hilbert transform, and the harmonic extraction is realized. In experiments of harmonic signal extraction, the Duffing and Lorenz chaotic signals are selected as interference signal, and the mixed signal of chaotic signal and harmonic signal is added by Gauss white noises of different intensities.The experimental results show that when the white noise intensity is in a certain range, the extracting harmonic signals measured by the proposed SWT method have higher precision, the harmonic signal extraction effect is obviously superior to the classical empirical mode decomposition method.     

Efficient noncausal noise reduction for deterministic time series

We present a simple noncausal noise reduction algorithm for time series that consist of noisy measurements of the state vectors of a deterministic (chaotic) nonlinear system. The underlying dynamical system is assumed to be known and to operate in discrete time. The noise reduction algorithm is an iterative scheme for finding exact deterministic orbits close to the measured noisy orbits. Furthermore, we discuss cases where the solution is not the original orbit but homoclinic to it. (c) 2001 American Institute of Physics.     

Chen系统在微弱信号检测中的应用

微弱谐波信号的灵敏检测具有重要的实际应用意义, 本文利用受控Chen系统来实现强噪声背景下的这种检测. 因动力系统可分解为慢变系统与快变系统的叠加, 这里用平均法对检测系统进行处理得到慢变系统, 并获取使系统由周期轨道突变为稳定平衡点的检测参数临界值. 通过调节检测参数, 观测系统状态变量的变化可判断待测信号是否存在. 仿真结果表明, 此方法可以准确检测出强噪声背景下的微弱谐波信号. 与目前其他基于混沌振子的检测方法相比, 该方案对噪声具有更强的免疫性, 而且可通过理论分析得出检测参数阈值的准确范围, 有利于在相关领域推广应用.     

Duffing系统随机相位抑制混沌与随机共振并存现象的机理研究

针对随机相位作用的Duffing混沌系统, 研究了随机相位强度变化时系统混沌动力学的演化行为及伴随的随机共振现象. 结合Lyapunov指数、庞加莱截面、相图、时间历程图、功率谱等工具, 发现当噪声强度增大时, 系统存在从混沌状态转化为有序状态的过程, 即存在噪声抑制混沌的现象, 且在这一过程中, 系统亦存在随机共振现象, 而且随机共振曲线上最优的噪声强度恰为噪声抑制混沌的参数临界点. 通过含随机相位周期力的平均效应分析并结合系统的分岔图, 探讨了噪声对混沌运动演化的作用机理, 解释了在此过程中随机共振的形成机理, 论证了噪声抑制混沌与随机共振的相互关系.     

Stochastic dynamical analysis of a kind of vibro-impact system under multiple harmonic and random excitations

There have been many contributions concerned with non-smooth dynamics. The purpose of this study is focused on the global stochastic dynamics of a kind of vibro-impact oscillator under the multiple harmonic and bounded noisy excitations. The well-known cell-to-cell mapping method is firstly developed to investigate the incursive fractal boundaries between the attracting domains of different random attractors, and a specific Poincaré map is then set up to explore the noise-contaminated dynamical transitions in the system. Lastly, the leading Lyapunov exponents and the surrogate tests are used to identify the noise-contaminated dynamics. It is shown that several random attractors will coexist in the phase space of the randomly driven system by adjusting the parameters’ values, and fractal boundaries may also arise between the attracting domains of different random attractors. Under the joint action of the harmonic excitation and the weak bounded noise excitation, the noisy period-doubling process, similar to a deterministic one, can appear in the Poincaré’s global cross-section by increasing the strength of the bounded noisy excitation. Moreover, the noisy periodic, the noisy chaotic, and the random-dominant dynamics are also distinguished from the noise-contaminated signals.     

Denoising human speech signals using chaoslike features

A local projective noise reduction scheme, originally developed for low-dimensional stationary deterministic chaotic signals, is successfully applied to human speech. This is possible by exploiting properties of the speech signal which resemble structure exhibited by deterministic dynamical systems. In high-dimensional embedding spaces, the strong inherent nonstationarity is resolved as a sequence of many different dynamical regimes of moderate complexity.     

Model-based detector and extraction of weak signal frequencies from chaotic data

Detecting a weak signal from chaotic time series is of general interest in science and engineering. In this work we introduce and investigate a signal detection algorithm for which chaos theory, nonlinear dynamical reconstruction techniques, neural networks, and time-frequency analysis are put together in a synergistic manner. By applying the scheme to numerical simulation and different experimental measurement data sets (Henon map, chaotic circuit, and NH(3) laser data sets), we demonstrate that weak signals hidden beneath the noise floor can be detected by using a model-based detector. Particularly, the signal frequencies can be extracted accurately in the time-frequency space. By comparing the model-based method with the standard denoising wavelet technique as well as supervised principal components analysis detector, we further show that the nonlinear dynamics and neural network-based approach performs better in extracting frequencies of weak signals hidden in chaotic time series.     

混沌背景中微弱信号检测的神经网络方法

基于复杂非线性系统相空间重构理论，提出了混沌背景中微弱信号检测的神经网络方法，利用神经网络强大的学习和非线性处理能力，建立了混沌背景噪声的一步预测模型，从预测误差中检测淹没在混沌背景噪声中的微弱目标信号(包括周期信号和瞬态信号)，研究了混沌背景中存在白噪声时该方法的检测能力，指出了目标信号为瞬态信号和周期信号时检测原理的异同点，最后以Lorenz系统作为混沌背景噪声进行了仿真实验，实验表明该方法能有效地将混沌背景中极其微弱的信号检测出来. 关键词： 混沌 神经网络 信号检测     

混沌信号自适应协同滤波去噪

混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.