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RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

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。     

激光雷达探潜背景信号的混沌和分形行为研究

研究了海洋激光雷达探潜弱信号的混沌及分形特性．在相空间重构的基础上，计算了探潜背景信号的吸引子维数以及最大李雅谱诺夫指数，并且用前馈网络验证了探潜信号的局部可预测性．实验结果表明，探潜背景信号有奇异吸引子，是由某个混沌系统产生的．对用盒维数探测探潜信号中目标的方法也进行了研究     

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。     

基于混沌算法神经网络的恒生指数期货时间序列预测

本文对香港恒生指数期货（ＨＳＩ）的时间序列进行了分析和预测。我们发现该时间序列具有分数组和正的Ｌｙａｐｕｎｏｖ指数,这表明该序列是由内在的混沌确定力产生的。在对该序列进行动力学重构和可测性分析的基础上,我们用混沌算法的前馈神经网络对它进行了在线预测。计算机模拟表明混沌算法神经网络的预测噗蒿于背传算法神经网络的预测精度。     

基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想，提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析，得到各主分量和经验正交函数，选择合适阶次重构信号，即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

一种增加混沌信号有效数据长度的新方法

针对激光水下探测的实际应用，提出了一种基于相空间合成的短长度混沌信号的有效分析方法，研究了由大气，大气／海水界面和海水组成的光传输通信的混沌特性，应用此方法，计算了探潜背景信号的吸引子维数以及最大李氏指数，计算结果表明，该方法提高了对探潜背景信号混沌分析的可靠性。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

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.     

一种基于神经网络的激光水下目标探测方法

提出了一种利用多层面神经网络进行激光水下目标检测的新方法．理论分析和实验表明,新方法不仅适用于不同的激光探测系统参数,而且适用于对不同海域情况下的自动目标弱信号的检测     

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.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于多通道小波卷积神经网络的路面异常检测算法

为了保证路面质量和行人与驾驶员的安全,提出了一种利用传感器时序多变量信号数据进行路面异常检测的算法.针对行驶过程中需要结合多种传感器信号在不同尺度对路面特征进行分析的问题,提出结合小波卷积网络和多通道网络技术,实现路面异常检测.首先,在多级小波变换间加入卷积神经元网络,从多个尺度分析单个传感器信号的局部连续性;然后,构建多通道神经网络,将多个传感器信号分别作为不同通道的输入,计算多个信号相结合的特征向量;最后,使用多层感知机根据多通道小波网络的输出实现路面异常检测.实验结果表明,该检测算法相对于传统的时间序列分类方法,同时考虑了多尺度分析、信号局部连续性和多变量信号的结合,在分析多变量时序信号数据时,具有更低的误检率和漏检率,更高的F1值.