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).     

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     

基于强耦合Duffing振子的微弱脉冲信号检测与参数估计

耦合Duffing振子在检测强噪声中的微弱脉冲信号时具有可检测信噪比低等优点,但目前检测模型还存在系统性能与初始状态有关、只能工作在倍周期分岔状态等缺陷.为此本文构建了一种能克服上述缺点的新的微弱脉冲信号检测模型,通过对两个Duffing振子同时施加较大的恢复力和阻尼力耦合,可使振子间产生广义的"阱内失同步"现象,基于这种现象可实现微弱脉冲信号的检测与恢复.以信噪比改善和波形相似度为衡量指标,研究了周期策动力幅值与周期、耦合系数、计算步长、阻尼系数等参量对模型信号检测与波形恢复效果的影响.对方波、双指数脉冲和高斯导数脉冲进行检测和恢复的实验结果表明,本文所构建的模型能够在较低信噪比条件下有效地检测并恢复出高斯白噪声背景中的微弱脉冲信号,进而改善了现有的Duffing振子对非周期脉冲信号的检测能力并扩展了其应用领域.     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

基于随机共振原理的分段线性模型的理论分析与实验研究

提出了一种分段线性双稳态模型, 推导了模型的解析关系及其输出信噪比, 通过对该模型与连续双稳态模型的对比分析和仿真实验, 证明了该模型的优越性.该模型具有参数之间相互独立、易于调节的特点. 在对模型分析与数值仿真的基础上, 通过电路对强噪声背景下的微弱周期信号检测进行了实验研究. 结果表明分段线性随机共振模型能够有效实现对微弱周期信号的检测, 并能显著增强输出信噪比.     

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.     

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．     

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.     

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.     

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.     

混沌背景下信号的盲分离

混沌信号与确定性小信号叠加生成的混合信号是一更高维的混沌信号,因而不能用一般的混沌信号噪声抑制的方法进行分离.提出了一种这类信号盲分离的方法.在重构未知的混沌信号的动力方程时,充分利用混沌吸引子的几何特性,并且限定动力映射为原混沌吸引子所在流形的内部映射,从而保证了重构的动力系统方程对应于原混沌信号,而不是同样具有混沌特性的混合信号.然后利用重构的动力方程,借用混沌信号中的噪声抑制思想,估计出原混沌信号对应的轨道,实现信号分离.通过对Lorenz系统中谐波信号、Henon映象中自回归过程,以及脑电信号中谐波信号进行提取的数值实验,验证了信号盲分离方法的有效性和可行性. 关键词： 混沌 非线性 信号处理 盲分离     

利用小波多尺度分解算法实现混沌系统的噪声减缩

应用小波多尺度分解算法进行噪声减缩,从混沌背景中分离周期信号、噪声及其他混沌信号.小波多尺度分解算法能够区分不同尺度的信号是利用小波变换在时、频两域具有突出信号特征的能力以及小波变换是一线性变换的特点.提出的方法仅利用信号的尺度特性,克服了先前的噪声减缩要知道产生混沌信号的数学模型,并且要求叠加在混沌背景中的其他信号的幅度相对混沌背景信号的幅度很小的假定.给出了从Lorenz混沌背景中提取正弦信号、白噪声和Chua's电路产生的混沌信号的计算机模拟结果. 关键词：     

Wavelet threshold method of resolving noise interference in periodic short-impulse signals chaotic detection

The chaotic oscillator has already been considered as a powerful method to detect weak signals, even weak signals accompanied with noises. However, many examples, analyses and simulations indicate that chaotic oscillator detection system cannot guarantee the immunity to noises (even white noise). In fact the randomness of noises has a serious or even a destructive effect on the detection results in many cases. To solve this problem, we present a new detecting method based on wavelet threshold processing that can detect the chaotic weak signal accompanied with noise. All theoretical analyses and simulation experiments indicate that the new method reduces the noise interferences to detection significantly, thereby making the corresponding chaotic oscillator that detects the weak signals accompanied with noises more stable and reliable.     

Denoising lidar signal by combining wavelet improved threshold with wavelet domain spatial filtering

Lidar is an effective tool for remotely monitoring target or object, but the lidar signal is often affected by various noises or interferences. Therefore, detecting the weak signals buried in noises is a fundamental and important problem in the lidar systems. In this paper, an effective noise reduction method combining wavelet improved threshold with wavelet domain spatial filtration is presented to denoise pulse lidar signal and is investigated by detecting the simulating pulse lidar signals in noise. The simulation results show that this method can effectively identify the edge of signal and detect the weak lidar signal buried in noises.     

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