基于选择性支持向量机集成的海杂波背景中的微弱信号检测

基于复杂非线性系统相空间重构理论,提出了一种混沌背景中微弱信号检测的选择性支持向量机集成的方法,为了提高支持向量机集成的泛化能力,采用K均值聚类算法选择每簇中精度最高的子支持向量机进行集成,建立了混沌背景噪声的一步预测模型,从预测误差中检测湮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）,最后分别以Lorenz系统和实测的IPIX雷达数据作为混沌背景噪声进行实验研元结果表明该方法能够有效地将混沌背景噪声中极其微弱的信号检测出来,抑制噪声对混沌背景信号的影响,与神经网络和传统支持向量机方法相比,预测精度和检测门限方面的性能有显著提高．     

基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测

基于复杂非线性系统的相空间重构理论,提出一种改进的提取混沌背景中微弱信号的最小二乘支持向量机(LS-SVM)的方法.通过将信号以db3小波逐层分解,进行LS-SVM预测,再进行重构,同时通过增加对偶约束项、改进核函数的方法,建立改进的混沌序列的一步预测模型,从预测误差中检测湮没在混沌背景中的微弱目标信号(包括周期和瞬态信号).最后以Lorenz系统和真实海杂波数据作为混沌背景噪声进行了仿真实验,实验表明此方法能够有效地检测出混沌背景噪声中的微弱信号、抑制噪声对混沌背景信号的影响,与传统RBF神经网络和LS-SVM预测方法相比,预测精度和检测门限方面的性能有显著的提高.     

基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测

为了从混沌背景中检测微弱信号,研究分析了复杂非线性系统的相空间重构理论,提出了一种基于广义窗函数的最小二乘支持向量机的预测法. 该方法以广义嵌入窗为基础,利用自关联函数法确定Lorenz系统的嵌入维数和时间延迟, 实现相空间重构,结合最小二乘支持向量机建立Lorenz系统的误差预测模型, 检测微弱目标信号(瞬态和周期信号).仿真实验表明,该方法的预测模型具有较小的误差, 能够有效地从混沌背景噪声中检测出微弱目标信号,减小噪声对目标信号的影响. 与传统方法相比,在降低检测门限的同时,能够有效地提高预测的精度, 在混沌噪声下信噪比为-87.41 dB的情况下,相对于传统支持向量机方法所得的均方根误差0.049(-54.60 dB时)降低近两个数量级至0.000036123(-87.41 dB时).     

一种混沌海杂波背景下的微弱信号检测方法

基于复杂非线性系统的相空间重构理论,提出了一种基于遗传算法的支持向量机预测方法.利用改进的自相关法和饱和关联维数法确定混沌信号的时间延迟和嵌入维,从而实现相空间重构.通过遗传算法优化支持向量机中的惩罚系数和核函数参数,并结合支持向量机建立混沌序列的单步预测模型,从预测误差中检测出淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号).以Lorenz系统和加拿大McMaster大学利用IPIX雷达实测得到的海杂波数据作为混沌背景噪声进行仿真实验,结果表明该方法能够有效地从混沌背景噪声中检测出微弱目标信号,所得的均方根误差为0.00049521(信噪比为-89.7704 dB),这比传统支持向量机方法的均方根误差(0.049,信噪比为-54.60 dB)降低了两个数量级.     

混沌海杂波背景下的微弱信号检测混合算法

基于经验模态分解理论, 提出了一种基于粒子群算法的支持向量机预测方法. 采用总体平均经验模式分解法将混沌信号分解为若干固有模态函数和趋势分量, 将复杂的非线性信号转化为具有不同尺度特征的平稳分量. 利用粒子群算法对支持向量机的惩罚系数和核函数进行优化, 结合支持向量机建立混沌序列的单步预测模型. 从预测误差中检测淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号). 对Lorenz系统和实测IPIX雷达数据进行仿真实验, 结果表明, 该方法能够有效地从混沌背景噪声中检测出微弱目标信号, Lorenz系统得到的均方根误差0.000000339 (-102.8225 dB时)比传统支持向量机方法的均方根误差0.049 (-54.60 dB时)降低了5个数量级, 从海杂波中检测出具有谐波特性的微弱信号, 表明预测模型具有更低的门限和误差.     

色噪声背景下微弱正弦信号的混沌检测

提出一种利用混沌在特定状态下对参数的敏感性来实现微弱正弦信号检测的新方案-该方案可以有效地将深陷在色噪声背景中的微弱正弦信号检测出来-给出了混沌检测的方法,分析了混沌检测中噪声对系统状态的影响-仿真实验表明该混沌检测系统对小信号非常敏感，对任何零均值色噪声均具有极强的抑制能力- 关键词： 微弱正弦信号 混沌检测 色噪声 信噪比     

新Chua多涡卷混沌吸引子的产生及应用

本文采用对数函数序列构造了一个新Chua多涡卷混沌系统,分析了该系统的非线性动力学行为,主要包括对称性、不变性、平衡点、最大李雅普诺夫指数等.然后,设计递归反步控制器控制Chua多涡卷混沌系统中的混沌行为.最后,利用Chua多涡卷混沌系统检测了多频微弱周期信号.结果表明,对数函数序列与新Chua双涡卷混沌系统相结合能够产生丰富的Chua多涡卷混沌吸引子.产生机制为指标2的鞍焦平衡点用于产生涡卷,指标1的鞍焦平衡点用于连接涡卷.递归反步控制器能够将Chua多涡卷混沌系统控制到不动点或给定的正弦函数. Chua多涡卷混沌系统与递归反步控制器相结合的新微弱信号检测方法能够检测出淹没在高斯噪声背景下多频微弱周期信号的各频率.     

混沌振子系统周期解几何特征量分析与微弱周期信号的定量检测

提出了一种对微弱周期信号的定量检测方法.分析混沌振子系统在大尺度周期状态下的相对稳定输出时,发现了混沌振子系统输出周期解的平均面积是一个比较稳定的几何特征量.该几何特征量与待测信号幅值之间存在比较稳定的单调递增关系.在一定的参数条件下,几何特征量精度可达到10^-6V².利用混沌系统对随机噪声信号的免疫性和对微弱周期信号的敏感性,进一步建立了微弱周期信号的定量检测方法.仿真实验表明,随着待检测幅度的增加,在保证检测精度的同时,抗噪性能也随之增强. 关键词： 混沌振子系统 大尺度周期相态 周期解的几何特征量 微弱周期信号的定量检测     

基于Hilbert变换及间歇混沌的水声微弱信号检测方法研究

利用Duffing振 子从混沌到间歇混沌的相变及其对策动力和待检测信号频差较小的周期信号的敏感性, 研究了强海洋背景噪声下微弱周期信号的检测. 通过构造混沌振子列的方法对频率未知信号进行扫频, 从而提取待检测信号的频率范围, 最后利用希尔伯特变换, 实现对间歇混沌的包络检测, 并计算出待检测信号的频率. 计算机仿真与实测水声信号处理结果表明, 利用基于希尔伯特变换的间歇混沌振子对水声微弱信号检测, 其检测信噪比比一般的间歇混沌振子提高了至少4.4 dB, 验证了所提方法的有效性.     

基于奇异值分解的随机共振特征提取研究

针对强背景噪声下信噪比极低的微弱特征信号的识别问题,提出了基于奇异值分解的随机共振特征提取方法.该方法首先利用奇异值分解对实际采样信号进行预处理和重构,然后寻找到特征信号分量与噪声强度相匹配的分量信号.此分量信号再经过非线性双稳系统的随机共振处理,可实现从强噪声背景中检测极微弱的特征信号.     

基于分数阶可停振动系统的周期未知微弱信号检测方法

本文建立了分数阶可停振动系统, 其可停振动状态的改变对周期策动力敏感, 对零均值随机微小扰动不敏感, 这事实上为周期未知微弱信号检测提供了一种新的高效检测方法和判别标准. 与现有的利用混沌系统的大尺度周期状态变化检测周期未知弱信号的方法 需逐一尝试设置不同频率内置信号以便期望与待检周期信号发生共振不同, 利用分数阶可停振动系统的可停振动状态变化检测周期未知微弱信号的方法, 除了同样具有因为状态变化对周期信号的敏感性而能够实现极低检测门限的特点外, 还具有混沌系统信号检测所不具有的优点: 1)无需预先估计待检信号的周期; 2)无需计算系统状态的临界阈值; 3)可停振动状态可由本文设计的指数波动函数可靠地进行判断; 4)通过系统微分阶数的变化, 将检测系统层次化, 从而可得到比整数阶检测系统更低的检测门限, 特别是在色噪声环境下, 通过选取合适的微分阶数, 基于分数阶可停振动系统的微弱周期信号检测法能够大幅度的降低检测门限, 在本文的仿真试验中, 检测门限可达-182 dB. 关键词： 分数阶非线性系统 Duffing振子 弱信号检测     

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.     

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.     

电力系统故障的微弱信号检测方法的研究

为了确保电力系统能够安全稳定的运行,实时检测故障中的微弱信号。通过噪声干扰情况下微弱信号的不同变化进行研究,得到了一种微弱信号的DUFFING混沌检测模型。系统发生故障时会产生相应的微弱信号,运用DUFFING混沌振子法分析不同情况下微弱信号的时域波形和相平面轨迹变化规律,并建立数学检测模型,对其幅值进行混沌检测仿真。结果表明,当r=0.8264V,w=1rad/s时将白噪声和微弱正弦信号同时加入后,此时,混沌状态、大尺度周期状态的相平面运行轨迹依然在进行有规律的运行,可以清晰的观察出需要检测的微弱信号。在强噪声存在于系统中时,该方法明显克服了噪声对信号稳定性的干扰,能精确有效检测微弱信号。系统在应对不同工作环境、仪器设备老化等情况时,提高了检测效率,保证系统的稳定运行。     

非线性系统混沌运动的神经网络控制

设计前馈反传神经网络控制非线性系统混沌运动的新方法.根据扰动参数模型输入输出数据,按照非线性学习算法训练网络产生系统稳定所需的小扰动控制信号,去镇定混沌运动,使嵌入在混沌吸引子中的不稳定周期轨道回到稳定不动点上.Hnon映射数值仿真结果表明,这种方法控制非线性混沌系统响应速度快、控制精度高 关键词： 混沌控制 神经网络 吸引子 非线性     

基于随机共振进行弱信号探测的实验研究

非线性随机共振系统可利用噪声增强微弱信号检测的能力,为强噪声背景下微弱信号的检测开创了新方法.基于随机共振的基本原理设计了硬件电路系统,并将其应用于检测单频和多频微弱信号;通过输入模拟工程实际的带噪信号,采样所得的输出信号的频谱分析结果表明,利用随机共振技术可从强噪声背景下有效地提取出单频和多频弱信号.多频弱信号的有效提取拓展了基于随机共振原理的弱信号检测技术的应用领域,结合数字滤波处理技术有效地消除了低频噪声对信号识别的影响.基于随机共振的弱信号检测技术在信息识别与信息处理方面具有巨大的潜在的应用价值.