耦合神经网络中脉冲信号传输的噪声增强研究

对积分发放神经元耦合网络中脉冲信号传输的噪声增强现象进行了研究。通过权矩阵控制神经元间耦合强度和网络结构,网络中脉冲刺激信号激励靶神经元,而网络内各神经元都受到内部噪声的驱动。研究表明,随着噪声强度的增加,神经网络输出发放率与离散脉冲信号发放率的互相关系数不断增加并达到极值,证实了脉冲信号传输中耦合神经网络中存在噪声增强现象。还进一步分析了门限电势、网络结构以及噪声类型对输入输出发放率之间互相关系数的影响。这些研究结果为进一步将随机共振理论应用到神经系统中脉冲信号传递问题提供了实际依据。     

离散Hopfield神经网络的手写数字识别研究

利用离散Hopfield神经网络对手写数字识别进行了研究。将受到噪声污染的手写数字储存为二值图像,然后调制成二进制信号通过神经网络进行传输,通过给定权矩阵的Hopfield神经网络进行按址存储,将网络输出的内容再映射为数字图像。实验结果表明:数字图像识别的误码率与调制信号的幅值、码间时间间隔和网络神经元耦合个数成负相关关系,而且随着噪声强度的增加,误码率出现非周期随机共振现象,在一非零最优噪声强度值达到最小,此时数字图像也恢复得更加清晰。这些结果为进一步研究最小误码率优化目标下的Hopfield神经网络自适应权重矩阵提供了实验依据,而且对于神经网络联想记忆中随机因素的作用研究具有重要意义。     

小世界社会网络中的信息传播

小世界社会网络模型是一种描述现实社会系统的理想模型,基于此模型,提出小世界社会网络中的信息传播模型。模型中,每个社会参与者都具有一个连续型参数来描述其对于信息的态度,正的态度对信息传播有正反馈作用,而负的态度对于信息传播有负反馈作用。同时,引入局部信息和全局信息概念用以描述社会参与者对于信息的获取能力。信息传播模型在不同随机度和规模的小世界社会网络上进行了计算仿真。仿真结果表明网络的拓扑结构和参与者态度的正负反馈作用以及对于全局信息的权重对于信息的传播均衡结果有显著的影响。     

α稳定分布噪声下基于FHN模型的UWB-IR信号检测

针对传统FitzHugh-Nagumo (FHN)模型检测方法在α稳定分布噪声条件下检测性能退化的问题,在α稳定分布的统计特性基础上,将三倍分散系数异常值剔除准则引入FHN模型检测方法,提出基于三倍分散系数FHN模型的超宽带冲激无线电(ultra wideband-impulse radio, UWB-IR)检测方法。此外,对传统三倍分散系数准则进行改进,使用样本分位数法对α稳定分布参数进行估计,避免了传统三倍分散系数准则对α稳定分布参数先验信息的依赖,使其适合全盲条件下的UWB-IR信号检测。仿真实验表明,该算法能有效抑制α稳定分布噪声中的强脉冲,可较好地重构UWB-IR信号波形,实现了强α稳定分布噪声条件下UWB-IR信号的有效检测。     

加权随机汇池网络中递归最小二乘算法研究

实际应用中信号和噪声的统计知识经常是未知的,为探究未知噪声环境中加权随机汇池网络模型的信号参数估计性能,本文研究了加权随机汇池网络中信号估计的递归最小二乘自适应递推算法,分析了该模型下算法的收敛性、均方误差、学习曲线等统计特征。在非平稳输入信号下,引入遗忘因子,探究了算法有效跟踪信号变化的能力。实验结果验证了关于算法收敛性与均方误差性能的理论分析,同时还证实了自适应过程中的超阈值随机共振现象。本文研究结果对于加权随机汇池网络的实际应用具有理论指导义。     

循环平稳性与随机共振理论的非绝热描述

噪声背景中周期信号的循环平稳性是信号处理中一个重要的特征.本文利用随机循环平稳过程的有关理论研究复杂随机动态系统中的随机共振现象.依据系统输出的一维准稳态概率密度近似理论,本文推导了系统输出二维跃迁概率密度、稳态自相关函数和系统输出信噪比的公式.输出信噪比随着输入噪声强度增加而呈现的随机共振现象,理论分析和数值试验结果非常吻合.此理论为随机共振理论的一种非绝热描述,不仅能够解释经典随机共振现象,而且能够描述驻留随机共振现象,对于复杂随机动态系统的信息处理机制具有重要理论指导意义.     

局部投影降噪算法邻域半径参数的选择研究

基于动力系统模型的局部投影非线性降噪算法，对混沌信号和一大类非平稳信号具有明显的降噪效果。利用局部投影算法对信号进行降噪处理，邻域半径的选择对降噪结果有很大的影响。我们研究了基于递归分析的邻域半径参数的估计和基于噪声强度的邻域半径参数估计。通过对Logistic映射和Lorenz模型叠加不同大小的高斯白噪声，对两种邻域半径估计方法进行分析比较，得到了基于噪声强度的邻域半径参数估计方法具有更好的降噪效果，为局部投影降噪算法的应用奠定了基础。     

小世界网络模型的非线性动力学研究

基于非线性动力学理论,研究了小世界网络模型的非线性动力学现象.首先,在已有的小世界网络非线性动力学模型基础上,从向量场角度,对其中随参数变化系统的定常状态失稳而出现的Hopf分岔进行了数值分析,并根据Hopf分岔的分析结果,对系统在一定参数条件下定常状态的失稳及周期振荡的产生进行了解释;然后,将向量场控制方程转化为映射,从直观映射的角度,详细分析了其中的定量状态,失稳导致的倍周期分岔、系列倍周期分岔,以及周期-3状态,从而证明系统存在混沌特征.研究表明:该系统蕴含有丰富的非线性动力学行为,通过对该类"非均匀"动力系统深入的理论分析,探索出产生各类复杂非线性动力学现象的机理,从而实现对该类网络系统的有效控制.     

杜芬振子阵列实现弱正弦信号频率检测

杜芬振子从混沌到间歇性混沌的相变对与参考信号频差较小的周期小信号具有敏感性，而对白噪声和与参考信号频差较大的周期干扰信号具有免疫力。通过实验仿真，得出单个杜芬振子的信号检测范围。提出利用杜芬振子阵列检测微弱正弦信号的模型，实现微弱正弦信号的频率检测。     

刺激引起的小世界生物神经网络同步

同步现象广泛存在于脑神经活动中.本文构造了一个具有小世界连接特性的生物神经网络,数值模拟研究了外加刺激频率引起的放电同步现象.同时考虑网络结构对同步的影响,取网络耦合强度作为参量来研究它对网络同步的影响.研究发现,在某一个特定的共同外加刺激频率下,生物神经网络会出现尖峰同步放电现象.当网络的耦合强度增大时,使网络产生同步现象的频率点将会逐步增多.仿真结果表明不同的生物神经网络结构对输入信号的频率具有不同的选择性.     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

对GPS军码信号的高效带限高斯噪声干扰分析

为提升带限高斯噪声干扰效率,以接收机码跟踪误差和星历误码率作为干扰效果评估指标,结合全球定位系统P(Y)码和M码信号的功率谱特点,对其不同干信比以及副载波调制相位下的最佳干扰带宽分别进行了理论公式推导和定量仿真计算。对拟采取的分布式带限高斯噪声干扰源功率合成问题进行了分析,得出增加干扰源数量虽然能减小合成功率〖JP3〗的相对损失量,但同时会提升合成功率出现小值风险概率的结论。因此,可按照实际所需的合成功率期望值设置最佳干扰带宽,选择数量适中、功率随机取值的分布式干扰源,进而达到提升干扰效率的目的。     

噪声中信号的一致最优不变检测器的理论研究

本文运用不变检验原理,来研究未知参数的噪声背景中信号的一致最优不变检测问题,导出了未知功率电平的Gauss噪声中非随机信号的一致最优不变检测器(UMPVD)的结构,讨论了其在大样本和小样本情形下的检测性能,从而获得若干有意义的结论。     

频谱检测中基于FCM的自适应门限选择机制

在认知无线电中,能量检测法是次用户实现频谱检测的重要方法之一。其中,检测参数的设置尤为重要。然而,当无线网络环境改变时,一些重要检测参数(如检测器门限)将会随之改变,因而及时准确地获取检测参数就显得十分必要。本文首先在理想高斯白噪声信道条件下推导了能量检测的最佳门限表达式。为了在变化的网络环境中快速自适应地获得最佳门限并降低检错率,提出了一种基于模糊C均值(fuzzy C means,FCM)的自适应门限选择机制。该机制只需根据接收到的能量样本的相似性和差异性进行聚类,选取隶属度值差异最小的能量样本作为最佳门限值,而无需信噪比、初始门限等先验信息,因此在能量检测中具有更强的自适应性。Matlab仿真结果证明,新机制下获取的最佳门限与本文中推导的高斯白噪声信道下的最佳检测器门限相比,具有很好的拟合度。     

一种基于径向基函数网络的盲波束形成方法研究

针对阵列信号处理的特点 ,提出了一种基于径向基函数网络 (RBFNN)的盲波束形成方法。该方法把高阶累积量可消除高斯噪声干扰这一特性和神经网络可并行计算的结构优势有机地结合起来 ,利用高阶累积量估计阵列的导向矢量 ,引入径向基函数网络逼近波束形成的权矢量 ,实现盲波束形成。理论分析和仿真实验表明 ,提出的算法能有效地提高运行速度 ,对系统误差也具有很强的鲁棒性。     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下，性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

宽带高斯谱噪声雷达高速目标检测

宽带高斯谱噪声信号由于无距离旁瓣、硬件产生容易等特点而广泛应用于现代雷达。但是噪声信号是多普勒敏感信号,而宽带噪声信号在检测高速目标时存在多普勒色散效应,使得其多普勒敏感性同时体现在多普勒频移及包络伸缩中。为了说明多普勒色散效应对匹配滤波的影响,本文推导了宽带高斯谱噪声信号的广义相关函数表达式,定量分析了在不考虑多普勒频移的理想情况下,信噪比损失和距离分辨力二者与多普勒色散积之间的关系。针对此问题,以系统实时性为出发点,提出了一种改进的噪声雷达频域处理算法,并评估了算法的性能和运算复杂度。仿真结果验证了理论分析和算法的有效性。     

基于加权高阶累积量切片的非线性调频信号增强算法

为了综合考虑高阶累积量各种切片抑制高斯噪声的性能,定义了加权高阶累积量切片,并给出了加权高阶累积量切片符号联合迭代公式,得到了基于加权高阶累积量切片的自适应谱线增强新算法。对该算法增强水下目标辐射的非线性调频信号的效果进行了仿真研究。仿真结果表明:该算法能抑制大约18dB～28dB的高斯色噪声;调整高阶累积量切片的加权系数,可获得抑制高斯色噪声的最佳效果。在工程实践中,具有重要的指导意义和实用价值。