混沌光学系统辨识的支持向量机方法

将支持向量机用于混沌光学系统的辨识,以布拉格声光双稳混沌系统为例,通过计算机仿真实验,尝试了用最小二乘支持向量机进行混沌光学系统辨识的可行性,并将其与采用反向传播算法的前向神经网络辨识方法进行了比较。采用最小二乘支持向量机辨识的优点是其训练过程遵循结构风险最小化原则,不易发生过拟合现象;它通过解一组线性方程组可得到全局唯一的最优解;最小二乘支持向量机的拓扑结构在训练结束时自动获得而不需要预先确定。结果表明,本方法的辨识精度和速度均优于基于反向传播算法的前向神经网络,且对含噪混沌光学系统的辨识也同样适用,它可作为混沌光学系统辨识的有力工具。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

一种基于混沌系统部分序列参数辨识的混沌保密通信方法

本文提出一种混沌保密通信方法,即混沌系统的部分序列用于混沌系统参数辨识其他序列用于通信保密.利用混沌蚁群优化算法对部分序列混沌系统进行参数辨识,以达到了解混沌系统全部信息的目的.在参数辨识过程中引入参数空间和蚁群空间,通过空间变换函数使参数空间与蚁群空间之间相互变换.文中使用Lorenz系统进行数值试验,其结果验证混沌系统部分序列参数辨识及混沌保密通信的可行性.     

单模激光混沌系统的可视化模型及仿真研究

提出了一种直接用仿真软件建立单模激光混沌系统可视化模型的方法。分析了单模激光系统的混沌特性 ,并对单模激光系统的混沌同步与控制进行了仿真研究。该方法的优点是无需用传统的程序代码对模型和算法进行编程 ,且可实现混沌光学系统建模及仿真分析的全程可视化 ,是研究光学动力学系统的一种简便、有效的新方法     

基于改进克隆选择算法的统一混沌系统同步控制与参数辨识

提出一种改进的克隆选择算法用于解决混沌系统的参数辨识问题.该算法利用抗体的高频变异和受体编辑两种机制有效平衡算法的全局探索与局部开发，并引入向精英抗体学习策略进一步提高算法的收敛质量.对10个优化问题的实验表明：所提出算法在求解精度、收敛速度以及稳定性方面具有更好的性能.以参数未知统一混沌系统的同步控制为研究对象，合理设计同步控制器，并对同步系统的稳定性进行理论分析.通过对同步比例因子的设置，实现统一混沌系统的完全同步、反同步、投影同步等多种同步方式.仿真实验结果表明该方法能够实现对未知系统参数的精确辨识以及驱动-响应系统的有效同步控制，验证了所提方法的可行性与有效性.     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于原对偶状态转移算法的分数阶多涡卷混沌系统辨识

未知分数阶混沌系统参数辨识问题可转化为函数优化问题, 是实现分数阶混沌系统同步与控制的关键. 结合正交学习机制和原对偶学习策略, 提出一种原对偶状态转移算法, 用于解决分数阶混沌系统的参数辨识问题. 利用正交学习机制产生较优的初始种群增加算法的收敛能力, 并引入原对偶操作增加状态在空间的搜索能力, 提高算法的寻优性能. 在有噪声和无噪声情况下以分数阶多涡卷混沌系统的参数辨识为研究对象进行仿真. 结果表明了该算法的有效性、鲁棒性和通用性.     

基于指数加权-核在线序列极限学习机的混沌系统动态重构研究

利用指数加权在线核序列极限学习机(exponential weighted online sequential extreme learning machine with kernel, EW-KOSELM)辨识算法,开展了针对混沌动力学系统的动态重构研究. EW-KOSELM算法将核递归最小二乘(kernel recursive least squares, KRLS)算法直接延伸至在线ELM (extreme learning machine)框架中,通过引入遗忘因子削弱了旧数据的影响,并基于"固定预算(fixed-budget, FB)"内存技术,应对在线核学习算法所固有的规模不断增长的计算困难.将所提辨识算法应用于Duffing-Ueda振子的混沌动力学系统数值仿真实例中,对基于FB-EW-KOSELM的辨识模型与原系统的动态性能进行了定性与定量的分析校验,定性校验准则是基于对比辨识模型与原系统吸引子(轨迹嵌入)、庞加莱映射、分岔图、极限环完成的,定量校验准则包括对比辨识模型与原系统的李雅普诺夫指数与关联维.进一步将其分别应用于来自测量蔡氏电路产生双涡卷吸引子与螺旋吸引子的实测数据实验及某一实际混沌电路所产生的时间序列中,对于具有低信噪比的实测电压或电流数据还需进行了小波降噪预处理.通过分析辨识模型重构吸引子,实验结果表明,FB-EW-KOSELM算法具有良好的动态重构性能,能精确地再生出展示混沌动态行为的过程非线性模型,且具有与原混沌系统非常接近的动态不变性指标.     

基于混沌算子网络的时间序列多步预测研究

结合相空间重构理论和时间序列分析理论,提出一种用于时间序列多步预测的网络模型.网络采用多个混沌算子加权求和的形式构成.网络各层单元采用固定权值连接,混沌算子的控制参数利用混沌优化算法进行训练调节,从而控制预测网络的动力学行为.利用已知时间序列数据构造出训练样本,训练样本在网络训练过程中仅使用一次,促使网络的动力学特性随时间的推移而变化,并逐渐逼近被预测系统的动力学特性,最终完成对未来时刻数据的预测.在对理论数据进行预测分析时,通过计算预测序列的Lyapunov指数验证了预测网络的有效性.在对实际时间序列的预测过程中,该网络表现出了良好的预测性能.仿真结果表明,该预测网络可对多种时间序列在一定的预测步长范围内实现有效的预测.     

量子细胞神经网络的超混沌特性研究

研究了由量子点细胞自动机构成的量子细胞神经网络的非线性动力学特性.以量子点细胞的极化率和量子相位作为状态变量，对3个细胞耦合的量子细胞神经网络进行了理论分析和计 算机仿真研究.结果表明，该网络系统呈现复杂的混沌动力学行为，混沌振荡产生非常容易. 由数值计算得到的两个最大正Lyapunov指数证实了该系统具有超混沌特性. 关键词： 量子点细胞自动机 极化率 量子细胞神经网络 超混沌     

多值神经网络改进模型及其光学实现

本文提出一种改进的光学神经网络模型,并利用空间光调制器PROM构成的光学系统实现了这种模型的联想记忆运算.计算机模拟和实验结果表明,改进模型提高了光学神经网络的识别能力,并在—定程度上提高了存贮容量.     

Hénon混沌系统广义预测控制无静差快速算法

提出了一种具有无静差跟踪性能的Hénon混沌系统广义预测控制快速算法.采用改进的时变遗忘因子递推最小二乘方法辨识混沌系统,通过在常规广义预测控制性能指标函数中引入前馈增益矩阵与柔化矩阵,并将MP神经元网络与BP算法相结合在线调整柔化因子,实现系统对参考信号的无静差快速跟踪.该算法避免了矩阵求逆计算,能够很好地跟踪参考信号.仿真结果验证了该方法的有效性. 关键词： 广义预测控制 Hénon混沌系统 前馈增益矩阵 柔化矩阵     

Chaotic diagonal recurrent neural network

We propose a novel neural network based on a diagonal recurrent neural network and chaos,and its structure and learning algorithm are designed.The multilayer feedforward neural network,diagonal recurrent neural network,and chaotic diagonal recurrent neural network are used to approach the cubic symmetry map.The simulation results show that the approximation capability of the chaotic diagonal recurrent neural network is better than the other two neural networks.     

Robust adaptive fuzzy neural tracking control for a class of unknown chaotic systems

In this paper, an adaptive fuzzy neural controller (AFNC) for a class of unknown chaotic systems is proposed. The proposed AFNC is comprised of a fuzzy neural controller and a robust controller. The fuzzy neural controller including a fuzzy neural network identifier (FNNI) is the principal controller. The FNNI is used for online estimation of the controlled system dynamics by tuning the parameters of fuzzy neural network (FNN). The Gaussian function, a specific example of radial basis function, is adopted here as a membership function. So, the tuning parameters include the weighting factors in the consequent part and the means and variances of the Gaussian membership functions in the antecedent part of fuzzy implications. To tune the parameters online, the back-propagation (BP) algorithm is developed. The robust controller is used to guarantee the stability and to control the performance of the closed-loop adaptive system, which is achieved always. Finally, simulation results show that the AFNC can achieve favourable tracking performances.     

混沌系统的遗传神经网络控制

提出遗传神经网络控制混沌新方法.将小扰动技术和周期控制技术结合起来，用遗传算法训练神经网络，使之成为混沌控制器.对Henon映射和Logistic映射的仿真结果说明控制器能产生小扰动控制序列信号，将混沌振荡转变成规则运动状态.该方法无需了解动态系统数学模型，具有一定抗噪声干扰能力，可将它推广应用到其他混沌系统的控制中. 关键词： 遗传算法 神经网络 混沌 周期控制     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

一种适于光学实现的非线性神经网络模型及其蒙特卡洛学习算法

本文用计算机仿真研究了一种适于光学实现的非线性神经网络模型的存储客量α_c和寻址能力,提出了一个改进其触突互联矩阵的蒙特卡洛学习算法.数值研究表明,经过学习修正后的神经网络模型的寻址能力及存储容量都有较大的改进.     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.