基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

基于径向基函数的海杂波时间序列预测方法

介绍基于混沌理论的海杂波分析方法,依据加拿大McMaster大学IPIX雷达实测海杂波数据,按照TAKENS的嵌入定理,设计了混沌预测器.预测器采用径向基函数神经网络重建海杂波的混沌动力系统,即建立海杂波的精确预测模型.实验表明,基于径向基函数的混沌时间序列预测器精度完全能够实现单步预测功能.学习误差为0.0232,预测误差为0.0277.     

基于LM算法的BP神经网络的混沌背景下瞬态弱信号检测

分析了BP神经网络的改进算法,用神经网络实现混沌时间序列相空间重构,用基于LM算法的BP神经网络对混沌背景进行预测,从而检测出信号。     

激光水下目标探测中混沌背景信号重构的研究

对激光水下目标探测中混沌背景信号的重构问题进行了研究．讨论了混沌时间序列的动态特性，并实际计算了激光水下目标探测中混沌背景信号的时延、混沌维数等有关特征参量．在阐述神经网络重构时间序列模型机理的基础上，提出用神经网络局部预测法重构水下目标探测中混沌背景信号，最后在成功地重构出混沌背景信号的条件下，利用预测误差检测到水下目标探测中的有用弱信号．实验结果表明这种方法是比较有效的．     

激光水下目标探测中混沌背景信号重构的研究

对激光水下目标探测中混沌景信号的重构问题进行了研究。讨论了混沌时间序列的动态特性，并实际计算了激光水下目标探测中混沌背影信号的时延、混沌维数等有关征参量。阐述神经网络重构时间序列模型机理的基础上，提出用神经网络局剖预测法重构水下目标探测中混沌背影信号，最后在成功地重构出屯背影信号的条件下，利用预测误差检测到水下目标探测中的有用弱信号。实验结果表明这种方法是比较有效的。     

基于LS-SVM的海杂波混沌预测

首先引入分形Brown运动模型，基于S波段雷达实测海杂波数据，计算得到了该分形模型的海杂波Hurst指数，进而求得了S波段雷达实测海杂波的分形维数.然后利用经典的Rosenstein方法，计算得到了S波段实测海杂波的最大Lyapunov指数，从而证实了S波段雷达海洋回波信号具有混沌分形特性.在此基础上，提出了一种基于LS-SVM的海杂波混沌序列预测方法.最后进行了计算机实验，仿真结果证明了该方法具有较高的预测精度.     

改进的MUSIC算法用于雷达海上目标检测

海杂波的存在严重影响了雷达检测海上目标的性能,海杂波的建模与抑制方法是其研究的重要方面。首先介绍了高频雷达海杂波的产生机理,然后建立海杂波的信号模型。在信号模型的基础上,研究抑制海杂波以及提取目标信号的方法,主要研究对比了SVD和MUSIC方法。利用海杂波信号模型产生满足条件的模拟杂波以及目标信号,仿真出抑制海杂波以及提取目标信号的过程,仿真结果可以验证方法的有效性。     

混沌噪声背景下弱谐波信号的GRNN检测

针对BP(Back Propagation)神经网络方法存在训练时间长,收敛性能不理想;RBF(Radial BasisFunction)神经网络的隐层结构对鲁棒性影响大的问题,将广义回归神经网络GRNN(GeneralizationRegression Neural Network)引入混沌背景下的弱谐波信号检测中,提出了一种提取混沌噪声背景下微弱谐波信号的GRNN检测方法.该方法利用GRNN建立噪声混沌背景的最优一步预测模型,再结合频域处理预测误差提取微弱信号,以Duffing系统产生混沌时序作为混沌背景,使用该方法用MATLAB6.1验证在没有噪声、存在高斯白噪声和存在色噪声情况下的混沌背景下的弱谐波信号检测.实验结果表明,谐波对混沌的信噪比达到-36dB时仍然可以检测出谐波.     

基于混沌理论的海杂波背景下雷达回波数据处理

提出一种海杂波背景下雷达回波数据处理的设计方案：即不改变原始数据动态特性基础上对其进行预处理,再检验数据的混沌性,最后利用径向基函数（RBF）神经网络作为预测器,对目标有无进行判断。实验结果表明,该方案可以有效提高海杂波背景下雷达的探测能力。     

基于混沌脉冲耦合神经网络系统的信号跟踪

根据脉冲耦合神经网络能产生混沌现象,研究了对混沌PCNN系统配置控制序列来达到对参考信号追踪的方法。基于离散线性系统的稳定性理论,根据参考信号情况,配置不同参数,设计不同的控制序列来改变混沌系统,达到信号跟踪的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统对参考信号的追踪。     

混沌背景下基于小波神经网络的弱信号检测

依据Takens嵌入定理提出了一种基于小波神经网络（WNN）的强混沌背景中微弱信号的检测方法。该方法利用混沌系统的单变量值对混沌背景重构相空间，采用小波神经网络所具有的强大的学习能力和非线性处理能力建立了混沌背景噪声的一步预测模型，使其与混沌背景噪声具有相同的基本动力学特征，并通过设定合适的预测误差门限来检测掩埋在混沌背景中的有用微弱信号。仿真结果验证了该方法的可行性。     

基于混沌理论和小波变换的微弱周期信号检测方法

根据小波变换具有多分辨率,混沌系统对噪声的强免疫力和对周期微弱信号的敏感性等特性,通过对小波阈值去噪方法和混沌Duffing振子方程的改进,提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法.该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波分解尺度确定阈值去噪深度,然后把重构的信号作为周期策动力的摄动并入混沌系统,采用混沌振子阵列实现在噪声背景下微弱信号的检测,并采用梅尔尼科夫方法作为混沌判据.该检测方法克服了以往小波分解对尺度确定的盲目性和阈值选择的不合理性以及对混沌临界状态与周期态区别的模糊性:同时能检测多种频率的信号.仿真测试表明:该方法直观、高效,检测精度高,检测的最低信噪比达到-100dB,频率误差为0.04％左右,改善了湮没在强噪声下的微弱信号检测技术.     

弱信号检测技术研究

本文对弱信号的定义和弱信号的应用范围进行了概述,综述了微弱信号检测理论研究和实际应用领域的发展情况,重点比较了目前在微弱信号检检测技术中应用的方法:相关检测、离散信号的统计处理,基于小波分析的微弱信号检测,基于混沌振子的微弱信号检测,最后总结各个方法的特点.     

水下目标工频磁场扰动信号检测方法研究

为了解决水下目标磁场近程化探测中磁信号衰减快、干扰强及扰动特征不明确、无法有效探测信号等问题,提出了一种基于混合神经网络与注意力机制(Att-CNN-GRU)的工频磁场水下目标时间序列扰动信号检测方法。将CNN,GRU神经网络与Attention机制相结合拟合信号,构建分类神经网络,对目标信号进行分类识别,同时与未引入注意力机制的CNN-LSTM模型及单一CNN和LSTM网络模型的预测及检测性能进行比较。结果表明,相较于传统方法,信号拟合效果将误差分别减小了36.24%,14.44%和4.878%,目标检测准确率达到83.3%。因此,加入Attention机制的CNN-GRU模型检测性能比CNN,LSTM和CNN-GRU模型更优异,作为辅助手段,能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题,实现对水下目标造成的工频磁场扰动信号的拟合与检测。     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

基于双耦合混沌振子的未知频率弱信号检测

针对微弱信号检测的难点问题,提出了一种应用于未知频率微弱信号的分段测频检测方法.利用双耦合Duffing系统相轨迹状态的跃迁对于输入微弱信号的敏感特性实现了对淹没在强噪声中的微弱信号的检测,同时利用分段测频方法实现了对微弱信号的频率测量,有效地解决了单Duffing振子的微弱信号检测方法易受噪声影响产生误判的问题,突破了现有微弱信号混沌振子检测方法只能进行已知频率信号检测的局限性.仿真实验结果证明该方法确实能够较为准确地检测出输入微弱周期信号的频率,使微弱信号检测技术得到进一步完善.     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。