基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测

提出了多核最小二乘支持向量机的永磁同步电机混沌系统建模方法. 通过不同核函数的线性加权组合构造新的等价核,降低建模精度对核函数及其参数选择的依赖性. 理论上给出多核最小二乘支持向量机回归参数和模型输出值的求解方法. 采用关联积分计算方法对永磁同步电机混沌系统进行相空间重构,以窗式移动的在线学习方式对重构后的永磁同步电机混沌序列进行一步和多步实时在线预测,并讨论了不同测量噪声对该方法的影响. 仿真结果表明,该方法能有效提高永磁同步电机混沌系统的建模精度,具有良好的抗噪能力. 关键词： 永磁同步电机 多核学习 最小二乘支持向量机 混沌预测     

基于UKF的多用户混沌通信

为克服信道噪声、系统参数误配及多用户干扰对混沌通信系统的影响,本文组合不同的状态空间模型并结合盲提取算法,提出了一种双无先导卡尔曼滤波器 (dual unscented Kalman filter, DUKF),以实现多用户的混沌通信.仿真结果表明,在多输入多输出信道的多用户通信环境下,该算法有较快的收敛速度,并能有效地实现多用户的混沌通信. 关键词： 混沌通信 多输入多输出 双无先导卡尔曼滤波器 盲提取     

基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测

提出了多核最小二乘支持向量机的永磁同步电机混沌系统建模方法. 通过不同核函数的线性加权组合构造新的等价核,降低建模精度对核函数及其参数选择的依赖性. 理论上给出多核最小二乘支持向量机回归参数和模型输出值的求解方法. 采用关联积分计算方法对永磁同步电机混沌系统进行相空间重构,以窗式移动的在线学习方式对重构后的永磁同步电机混沌序列进行一步和多步实时在线预测,并讨论了不同测量噪声对该方法的影响. 仿真结果表明,该方法能有效提高永磁同步电机混沌系统的建模精度,具有良好的抗噪能力.     

一种基于强跟踪滤波的混沌保密通信方法

提出了一种基于强跟踪滤波器的混沌保密通信方法. 在发送端, 混沌映射和信息符号被建模成非线性状态空间模型, 信息符号被加性混沌掩盖或乘性混沌掩盖调制, 然后通过信道输出. 在接收端, 驱动信号被接收, 使用带有贝叶斯分类器(信息符号估计)的强跟踪滤波器算法动态地恢复信息符号. Logistic混沌映射的仿真表明, 当信息符号为二进制编码时, 不管是加性混沌掩盖调制还是乘性混沌掩盖调制, 强跟踪滤波器均能较好地从混沌信号中恢复信息符号. 与扩展卡尔曼滤波器相比, 由于卡尔曼滤波器对于离散的信息符号跟踪能力差, 混沌映射中信息符号难以恢复, 比特误码率高. 因此, 这种基于强跟踪滤波器的混沌保密通信方法是有效的.     

基于相空间邻域的混沌时间序列自适应预测滤波器(Ⅱ)非线性自适应滤波

根据相空间重构理论、最小均方误差准则和最陡下降原理，提出了一种基于相空间邻域的非线性自适应滤波算法.实验结果表明：这种非线性自适应预测滤波器能够有效预测一些混沌序列，在某种程度上具有抗噪声的能力. 关键词： 混沌时间序列 重构矢量 最小均方误差准则 非线性自适应预测     

基于集员估计的混沌通信窄带干扰抑制技术

基于混沌载波的有界性和最优定界椭球(OBE)准则,推导出了已知干扰信号模型参数的状态估计和未知干扰信号模型参数的自适应状态估计的干扰对消算法.与基于最小相空间体积(MPSV)的Kalman滤波和传统的递归最小二乘(RLS)算法相比,本算法具有选择更新特性,能在仅有少量数据参与更新的情况下达到与前者接近的性能,降低了计算量.该方法的性能通过在混沌参数调制(CPM)和差分混沌相移键控(DCSK)两种通信方式下对自回归(AR)型和单音两种窄带干扰的有效抑制得到了验证. 关键词： 最优定界椭球 混沌通信 干扰抑制 集员估计     

混沌背景中信号参数估计的新方法

怎样提取混沌背景中信号的参数具有重要意义.在重构的相空间中,叠加有其他信号的混沌信号时间序列重构的点集会偏离混沌吸引子所在光滑流形,依据这一性质并综合利用混沌背景中信号本身的特性,提出一种参数估计的新方法：最小相对奇异值(MRSV)法.该方法先建立逆滤波器,由其输出重构相空间,然后改变其参数,使输出信号在嵌入空间中作局部奇异值分解的相对奇异值最小,来实现参数估计.AR模型参数和正弦信号频率估计的仿真结果验证了该方法的有效性. 关键词： 混沌 参数估计 最小相对奇异值(MRSV) 逆滤波器     

基于相空间邻域的混沌时间序列自适应预测滤波器(Ⅰ)线性自适应滤波

提出了一种基于相空间邻域的线性自适应滤波算法，将时间域变换到高维重构矢量空间，使 得不可能实现的线性预测变成了可能.实验结果表明：这种基于相空间邻域的线性自适应预 测滤波器能够有效预测一些混沌序列，能够检测到一些混沌载波中的信号，具有去混沌噪声 的能力. 关键词： 混沌时间序列 重构矢量 自适应预测     

基于差分进化算法的混沌时间序列预测模型参数组合优化

为了提高混沌时间序列预测模型的预测精度,提出一种基于差分进化（DE）算法的相空间重构和最小二乘支持向量机（LSSVM）模型参数组合优化方法．该方法将相空间重构参数和LSSVM预测模型参数进行组合作为差分进化算法的个体,以混沌时间序列预测精度作为个体的适应度函数,通过循环迭代获得最优参数组合．几个混沌时间序列的仿真实验结果表明,与传统的优化方法相比,参数组合优化方法具有更高的预测精度．     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

一种无线传感器网络中的混沌信号重构算法

将无线传感器网络节点观测区域中的一个混沌信号发送到融合中心,进行信号重构.由于节点的通信带宽受限,信号传输之前需要进行量化,给信号带来量化噪声,使得信号重构工作变得更为棘手.本文提出用平方根容积卡尔曼滤波器对融合中心收集的信号进行重构.首先估计观测信号的概率密度函数,使用最优量化器量化观测信号,在有限的量化比特数下,取得最优的信号量化性能.平方根容积卡尔曼滤波器相对无先导卡尔曼算法具有较少的求容积分点,因此具有计算量小的优点,同时迭代过程采用传递误差矩阵的平方根矩阵,保证迭代过程的稳定性和提高数据估计精度.仿真结果表明,该算法能够有效和快速地重构观测信号,并且比基于无先导卡尔曼滤波的算法更快.     

Chaotic synchronization: a nonlinear predictive filtering approach

The synchronization of chaotic systems is a difficult task due to their sensitive dependence on the initial conditions. Perfect synchronization is almost impossible when noise is present in the system. One of the well known stochastic filtering algorithms that is used to synchronize chaotic systems in the presence of noise is the extended Kalman filter (EKF). However, for highly nonlinear systems, the approximation error introduced by the EKF has been shown to be relatively high. In this paper, a nonlinear predictive filter (NPF) is proposed for synchronizing chaotic systems. In this scheme, it is not required to approximate the underlying nonlinearity and hence there is no need to compute the Jacobian of the chaotic system. Numerical simulations are carried out to compare the performances of the NPF and EKF algorithms for synchronizing different sets of chaotic systems and/or maps. The well known Lorenz and Mackey-Glass systems as well as Ikeda map are used for numerical evaluation of the performance. Results clearly show that the NPF based approach is superior to the EKF based approach in terms of the normalized mean square error (NMSE), total NMSE, and the time taken for synchronization (measured in terms of the normalized instantaneous square error) for all the systems and/or maps considered.     

Phase space reconstruction of chaotic dynamical system based on wavelet decomposition

In view of the disadvantages of the traditional phase space reconstruction method,this paper presents the method of phase space reconstruction based on the wavelet decomposition and indicates that the wavelet decomposition of chaotic dynamical system is essentially a projection of chaotic attractor on the axes of space opened by the wavelet filter vectors,which corresponds to the time-delayed embedding method of phase space reconstruction proposed by Packard and Takens.The experimental results show that,the structure of dynamical trajectory of chaotic system on the wavelet space is much similar to the original system,and the nonlinear invariants such as correlation dimension,Lyapunov exponent and Kolmogorov entropy are still reserved.It demonstrates that wavelet decomposition is effective for characterizing chaotic dynamical system.     

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     

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.     

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.     

基于NLMS自适应滤波的近红外光谱去噪处理方法研究

为了去除直接采集的近红外(NIR)光谱中含有的噪声,将归一化最小均方(NLMS)自适应滤波方法引入到NIR光谱去噪领域中。以51份土壤样品的NIR光谱为研究对象,探讨NLMS自适应滤波方法在NIR光谱预处理中的应用,并将处理后的结果与土壤中有机质的含量相关联,建立模型。结果表明,通过NLMS自适应滤波去噪后的光谱,预测集的相关系数r由处理前的0.8284提高至0.9654,预测均方根误差(RMSEP)由处理前的0.3385降至0.1606。由此可见,NLMS自适应滤波对NIR光谱的去噪有显著效果,可以有效地提高光谱的分析精度和模型的稳健性,为NIR光谱的预处理提供了一种新方法。     

Chaos based multiple image encryption using multiple canonical transforms

We propose a new method for multiple image encryption using linear canonical transforms and chaotic maps. Three linear canonical transforms and three chaotic maps are used in the proposed technique. The three linear canonical transforms that have been used are the fractional Fourier transform, the extended fractional Fourier transform and the Fresnel transform. The three chaotic maps that have been used are the tent map, the Kaplan-Yorke map and the Ikeda map. These chaotic maps are used to generate the random phase masks and these random phase masks are known as chaotic random phase masks. The mean square error and the signal to noise ratio have been calculated. Robustness of the proposed technique to blind decryption has been evaluated. Optical implementation of the technique has been proposed. Experimental and simulations results are presented to verify the validity of the proposed technique.     

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.     

基于稀疏贝叶斯学习的复杂网络拓扑估计

提出了一种噪声环境下复杂网络拓扑估计方法, 仅利用含噪时间序列估计未知结构混沌系统的动力学方程和参数, 以及由混沌系统组成的复杂网络的拓扑结构、节点动力学方程、所有参数、 节点间耦合方向和耦合强度.通过采用动力学方程的统一形式, 将动力系统方程结构和参数估计看成线性回归问题的系数估计, 该估计问题利用贝叶斯压缩传感的信号重建算法求解, 含噪信号的模型重建使用相关向量机方法,即通过稀疏贝叶斯学习求解稀疏欠定线性方程得到上面提到的可估计对象.以单个Lorenz系统及由200个 Lorenz系统组成的无标度网络为例说明方法的有效性. 仿真结果表明,提出的方法对噪声有很强的鲁棒性,收敛速度快,稳态误差极小, 克服了最小二乘估计方法收敛速度慢、 稳态误差大以及压缩传感估计方法对噪声鲁棒性不强的缺点.