复合混沌系统的非线性动力学行为分析

从理论上研究了由几个混沌系统复合而构成的新系统的非线性动力学特性和分岔序列.计算机仿真与理论计算结果表明，复合混沌系统具有混沌吸引子和对初值敏感性，并且有缺边现象产生. 关键词： 复合系统 吸引子 分岔序列     

混沌的乘法规律

从理论上分析了几个混沌映射相乘的规律，提出了混沌相乘的思想.数值仿真与理论计算结果表明，几个混沌映射相乘仍然具有非线性动力学特性和分岔序列.并且具有混沌吸引子和对初值敏感性.混沌的乘法概念具有重要的理论意义和应用价值. 关键词： 相乘混沌 吸引子 分岔序列     

三维四翼广义增广Lü系统

增广Lü系统是仅含有两个控制参数的三维混沌系统,可产生一个伪四翼吸引子.利用混沌反控制方法,通过在增广Lü系统中引入一个简单的线性状态控制器,提出了一个新三维混沌系统——广义增广Lü系统.新系统实现了一个真正的具有复合结构的四翼吸引子,它包含了两个镜像对称的子系统.理论分析、数值仿真和电路实验证明了广义增广Lü系统四翼吸引子的存在性,也阐述了广义增广Lü系统有着较增广Lü系统更加丰富的动力学特性. 关键词： 广义增广Lü系统 四翼吸引子 数值仿真 电路实验     

一个四翼混沌吸引子

在新的四维混沌系统中数值观察到四翼混沌吸引子，然而，通过进一步分析发现，该四翼吸引子并非真实的，实际上它是上、下两个共存的双翼混沌吸引子，他们各自有独立的混沌吸引域，由于其位置靠得太近和数值误差产生的一种假象.通过引入一个线性状态反馈控制项，系统的一些相似性被破坏，受控系统能产生穿越上下吸引域界限的对角双翼混沌吸引子，进一步，随着动力学模态的演化，上下混沌吸引子与对角混沌吸引子融合成一个真正的四翼混沌吸引子.最后，通过比较该四翼混沌吸引子的系统、Lorenz系统、Chua氏电路等混沌信号的频谱发现，四翼混沌吸引子的系统信号具有极宽的频谱带宽，该特性在通讯加密等工程应用中具有重要价值. 关键词： 四维混沌系统 双翼吸引子 四翼吸引子 频谱分析     

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.     

用时滞和阶跃序列组合生成网格多涡卷蔡氏混沌吸引子

提出了在规范型蔡氏电路中生成两种不同类型网格多涡卷混沌吸引子的新方法.与现有文献报道仅构造同一类型非线性函数产生多涡卷混沌吸引子的主要差别在于,这种方法能在一个蔡氏电路中同时构造时滞序列和阶跃序列,并通过其不同的组合方式来扩展相空间中指标2的鞍焦平衡点,从而生成两种不同类型的网格多涡卷混沌吸引子.理论分析、数值模拟和电路实验结果证实了该方法的可行性. 关键词： 规范型蔡氏电路 网格多涡卷混沌吸引子 时滞序列和阶跃序列 电路实现     

一个超混沌Lorenz吸引子及其电路实现

通过在三阶Lorenz系统中引入一个外加的状态变量构造了一个新的超混沌系统.对系统的一些基本特性，如耗散性、平衡点、稳定性、Hopf分叉进行了详细分析，且观察到了从周期到混沌、超混沌的演化.系统超混沌的存在性通过Lyapunov指数谱得到了验证.还设计了一个模拟电子电路，从电路实验中观察到了各种超混沌吸引子. 关键词： Lorenz系统 超混沌吸引子 电路实现     

一类多折叠环面混沌吸引子

在双折叠环面混沌吸引子方程中构造一种具有多个分段线性化的奇函数，基于递归算法，导出可产生一类多折叠环面混沌吸引子的递归公式.通过适当选取各个分段线性区间的斜率值，利用所得的递归公式计算出分段线性化函数中各个平衡点和转折点之值，最终可产生一类多折叠环面混沌吸引子.给出了产生这类混沌吸引子的计算机数值模拟结果. 关键词： 双折叠环面混沌吸引子 多折叠环面混沌吸引子 递归算法     

基于切延迟的椭圆反射腔离散混沌系统及其性能研究

根据椭圆反射腔物理模型， 提出了一种改变系统演化轨道的切延迟操作方法，导出了基于该方法的一类离散混沌映射系 统.实验表明，这类离散混沌系统最大Lyapunov指数恒大于零,状态变量等概率分布且与参 数和初值无关,全域零相关性，切延迟1单位时存在一个稳定不变的方形吸引子，切延迟大于 1单位时走向各态遍历.这类离散混沌系统可以产生两个独立的伪随机序列，其特殊性质和 复杂的动力学行为极具密码学应用价值. 关键词： 混沌 切延迟 Lyapunov指数 TD-ERCS 吸引子     

一类多折叠环面多涡卷混沌吸引子的仿真研究

通过构造一个新的非线性函数，研究一类多折叠环面多涡卷混沌产生器.这种混沌产生器的主要特征是随着自然数n的增加，能产生大小相等、均匀分布的2n个折叠环面混沌吸引子和大小相等、均匀分布的2n+1个涡卷混沌吸引子，且折叠环面混沌吸引子与涡卷混沌吸引子之间相互间置，最左边和最右边均为涡卷混沌吸引子.基于虚拟电子实验室EWB软件，设计具体的电路，进行了仿真实验验证. 关键词： 折叠环面混沌吸引子 多涡卷混沌吸引子 涡卷     

基于小波回声状态网络的混沌时间序列预测

混沌现象普遍存在于自然界及人类社会中,因此混沌时间序列预测具有重要意义. 提出了一种新的混沌时间序列预测模型------小波回声状态网络,该模型可以有效克服传统回声状态 网络模型中普遍存在的病态矩阵问题,提高了混沌时间序列预测精度.通过对Lorenz、含噪声Lorenz 及间歇式反应釜釜温三个时间序列的预测,将小波回声状态网络与传统回声状态网络进行了比较. 结果表明,小波回声状态网络与传统回声状态网络相比,预测精度提高一倍以上且预测结果更加稳定.     

地球变化磁场Z分量的混沌动力学特性分析

对地球变化磁场进行了混沌动力学特性分析,主要进行了以下两个方面的工作:1)运用多种方法对多个地磁台站同一时段变化磁场分量数据(分为磁扰较小和磁扰较大时段)进行了混沌特性分析,主要是为了以更充分的判据来验证地球变化磁场是否具有混沌特性;2)同一地磁台站不同时段变化磁场分量数据的混沌特性分析,主要是验证地球变化磁场是否具有变参数混沌特性.分析结果表明:1)变化磁场时间序列确实具有混沌特性;2)从混沌时间序列相空间重构的角度可初步认为模拟地球变化磁场动力学系统所必须的独立变量应该为6左右;3)变化磁场时间序列不仅具有混沌特性而且其参数也是在缓慢变化着的,具有变参数混沌系统的特性.     

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     

基于混沌吸引子形态特性的两相流流型分类方法研究

利用高灵敏度差压传感器，在垂直上升管中采集到了80组气液两相流差压波动信号.利用放置参考截面的方法，建立了描述混沌吸引子形态的一般方法，在此基础上，提出了不同维数下的吸引子形态特征量进行组合的气液两相流流型分类新方法.研究结果表明：该方法对包括复杂过渡流型在内的气液两相流流型有很好分类效果，预示着混沌吸引子形态描述是研究非线性时间序列的实用有效途径. 关键词： 气液两相流 流型分类 吸引子形态 混合维     

基于最大Lyapunov指数的多变量混沌时间序列预测

参考基于最大Lyapunov指数的单变量混沌时间序列预测方法,提出一种通过选取多个邻近重构向量,预测多变量混沌时间序列的局域法.采用新方法对两个完全不同的Rssler方程的耦合系统,Rssler方程和Hyper Rssler方程的耦合系统的多变量混沌时序进行一步和多步预测,结果表明了该方法的有效性,且算法具有较强的抗噪能力.讨论了参考邻近点数和预测结果的关系. 关键词： Lyapunov指数 混沌时间序列预测 多变量时间序列 最小二乘法     

Application of local polynomial estimation in suppressing strong chaotic noise

In this paper, we propose a new method that combines chaotic series phase space reconstruction and local polynomial estimation to solve the problem of suppressing strong chaotic noise. First, chaotic noise time series are reconstructed to obtain multivariate time series according to Takens delay embedding theorem. Then the chaotic noise is estimated accurately using local polynomial estimation method. After chaotic noise is separated from observation signal, we can get the estimation of the useful signal. This local polynomial estimation method can combine the advantages of local and global law. Finally, it makes the estimation more exactly and we can calculate the formula of mean square error theoretically. The simulation results show that the method is effective for the suppression of strong chaotic noise when the signal to interference ratio is low.     

Prediction of chaotic time series based on modified minimax probability machine regression

Long-term prediction of chaotic time series is very difficult,for the Chaos restricts predictability.in this paper a new method is studied to model and predict chaotic time series based on minimax probability machine regression （MPMR）. Since the positive global Lyapunov exponents lead the errors to increase exponentially in modelling the chaotic time series, a weighted term is introduced to compensate a cost function. Using mean square error （MSE） and absolute error （AE） as a criterion, simulation results show that the proposed method is more effective and accurate for multistep prediction. It can identify the system characteristics quite well and provide a new way to make long-term predictions of the chaotic time series.[第一段]     

An efficient method of distinguishing chaos from noise

It is an important problem in chaos theory whether an observed irregular signal is deterministic chaotic or stochastic. We propose an efficient method for distinguishing deterministic chaotic from stochastic time series for short scalar time series. We first investigate, with the increase of the embedding dimension, the changing trend of the distance between two points which stay close in phase space. And then, we obtain the differences between Gaussian white noise and deterministic chaotic time series underlying this method. Finally, numerical experiments are presented to testify the validity and robustness of the method. Simulation results indicate that our method can distinguish deterministic chaotic from stochastic time series effectively even when the data are short and contaminated.     

Regular nonlinear response of the driven Duffing oscillator to chaotic time series

Nonlinear response of the driven Duffng oscillator to periodic or quasi-periodic signals has been well studied.In this paper,we investigate the nonlinear response of the driven Duffng oscillator to non-periodic,more specifically,chaotic time series.Through numerical simulations,we find that the driven Duffng oscillator can also show regular nonlinear response to the chaotic time series with different degree of chaos as generated by the same chaotic series generating model,and there exists a relationship between the state of the driven Duffng oscillator and the chaoticity of the input signal of the driven Duffng oscillator.One real-world and two artificial chaotic time series are used to verify the new feature of Duffng oscillator.A potential application of the new feature of Duffng oscillator is also indicated.     

A Method for Estimating the Entropy of Time Series Using Artificial Neural Networks

Measuring the predictability and complexity of time series using entropy is essential tool designing and controlling a nonlinear system. However, the existing methods have some drawbacks related to the strong dependence of entropy on the parameters of the methods. To overcome these difficulties, this study proposes a new method for estimating the entropy of a time series using the LogNNet neural network model. The LogNNet reservoir matrix is filled with time series elements according to our algorithm. The accuracy of the classification of images from the MNIST-10 database is considered as the entropy measure and denoted by NNetEn. The novelty of entropy calculation is that the time series is involved in mixing the input information in the reservoir. Greater complexity in the time series leads to a higher classification accuracy and higher NNetEn values. We introduce a new time series characteristic called time series learning inertia that determines the learning rate of the neural network. The robustness and efficiency of the method is verified on chaotic, periodic, random, binary, and constant time series. The comparison of NNetEn with other methods of entropy estimation demonstrates that our method is more robust and accurate and can be widely used in practice.