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     

一种保持非负整数值的图像加密算法

提出了一种能够使双随机相位图像加密方法的密文图像保持为非负整数值的变换——重构变换.重构变换包括预处理和频谱搬移两个过程,其主要特点为,在图像进行频域变换之前,通过叠加的方式将整数图像压缩成一半大小的复数图像,从而能缩小后续运算的计算空间;基于重构变换的双随机相位图像加密方法可以实现联合图像压缩和加密的效果.与基于混沌系统的数字图像加密方法相比,本文方法的密文图像具有更低的信息熵.实验结果表明,该方法具有较强的安全性,解密图像基本无失真,并且密文图像对加性噪音攻击具有一定的鲁棒性.     

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.     

一种保持非负整数值的图像加密算法

提出了一种能够使双随机相位图像加密方法的密文图像保持为非负整数值的变换——重构变换.重构变换包括预处理和频谱搬移两个过程,其主要特点为,在图像进行频域变换之前,通过叠加的方式将整数图像压缩成一半大小的复数图像,从而能缩小后续运算的计算空间;基于重构变换的双随机相位图像加密方法可以实现联合图像压缩和加密的效果.与基于混沌系统的数字图像加密方法相比,本文方法的密文图像具有更低的信息熵.实验结果表明,该方法具有较强的安全性,解密图像基本无失真,并且密文图像对加性噪音攻击具有一定的鲁棒性.     

混沌信号的压缩感知去噪

对非线性时间序列进行噪声抑制是从中提取有效信息的前提. 混沌信号的去噪算法不仅要使滤波后的信号具有较高的信噪比, 也要具有较好的不确定性. 从压缩感知的角度出发,提出了一种新的噪声抑制方法. 该方法包括估计噪声方差, 以及依据动态的稀疏度将观测值往确定的过完备字典上投影. 仿真实验表明, 该方法比常用的小波阈值法和局部曲线拟合法具有更高的输出信噪比, 而原始信号的混沌特性也能得到较大程度的恢复.     

混沌信号在无线传感器网络中的盲分离

混沌信号在本质上属于非线性非高斯信号,它在无线传感器网络下的应用还涉及到信号量化问题,这使得混沌信号在此应用环境下的信号盲分离更为棘手.针对此问题,本文在容积卡尔曼粒子滤波的框架下提出一种解决方法.文中首先推导出观测信号的概率密度函数,在量化比特有限的情况下,采用最优量化器,获得最优的量化结果.在此基础上,使用容积卡尔曼滤波器产生粒子滤波中的重要性概率密度函数,融入最新的观测值,提高粒子对系统状态后验概率的逼近,提高信号盲分离的精度.仿真结果表明算法能够有效地分离混合混沌信号,参数估计的精度及其运算量均优于已有的无先导卡尔曼粒子滤波算法,其运行时间为无先导卡尔曼粒子滤波算法的88.77%.     

Gradient method for blind chaotic signal separation based on proliferation exponent

A new method to perform blind separation of chaotic signals is articulated in this paper, which takes advantage of the underlying features in the phase space for identifying various chaotic sources. Without incorporating any prior information about the source equations, the proposed algorithm can not only separate the mixed signals in just a few iterations, but also outperforms the fast independent component analysis(FastICA) method when noise contamination is considerable.