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。     

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。     

应用混沌系统实现弱信号的检测

在分析了混沌弱信号检测原理的基础上，提出了采用一组非线性微分方程组检测随机相位弱正弦信号的方法，并给出了理论证明，计算机模拟表明对随相弱正弦信号可以用16个方程检测到。     

基于小波变换的弱信号检测方法研究

介绍了小波变换原理,对利用小波变换实现弱信号检测的性能进行了分析,并利用仿真结果说明小波变换能提高信噪比。     

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.     

基于混沌相平面变化的弱信号检测方法研究

首先分析Ｄｕｆｆｉｎｇ方程的基本形式,然后阐述了基于相平面变化进行弱信号检测的工作原理,并给出仿真模型,最后利用此模型进行仿真实验。结果表明,此实验方法具有很低的信噪比工作门限,从而证明了此方法的确是可行的,此方法填补了弱信号检测理论一项空白。     

基于小波神经网络的混沌模式提取

分析了小波基函数对于确定模式、混沌模式及随机模式所表现出来的不同的收敛特性,提出构造一个小波神经网络及相应学习算法。利用小波网络在学习过程中神经元的不同增长趋势来反映上述收敛性的差异,从而将3种不同的模式予以区分,并将混沌模式从中提取出来。     

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.     

基于免疫进化算法的小波神经网络的混沌优化设计

针对进化算法中的“退化”问题和小波神经网络的“维数灾”问题,将免疫算法和进化算法相结合,在引入混沌机制的基础上,提出了一种基于免疫进化算法的小波神经网络混沌优化设计方法。该方法既充分发挥了小波神经网络的快速性,又充分利用了免疫算法的全局性、适应性等特点。仿真结果表明了该算法的有效性。     

基于小波神经网络的振动信号消噪

论文在介绍小波神经网络结构和算法的基础上,给出对振动信号消噪的实例。文中采用正交的Shannon小波函数作为小波元,进行数字仿真信号消噪实验和实测信号消噪实验,实验结果表明用小波神经网络对振动信号进行消噪是一种有效的方法。     

利用BP神经网络从强噪声背景中提取弱信号

分析了一般情况下的信号与噪声分离的理论和方法问题,重点讨论了利用BP神经网络从强噪声背景下的提取弱信号的方法,给出了具体的BP训练算法和提取弱信号的公式。     

基于混沌振子探测微弱动态周期测量信号

介绍了Duffing振子检测微弱信号的原理和过程以及利用混沌振子来检测淹没在强噪声背景中的微弱动态周期测量信号的方法．理论分析和仿真实验均表明混沌振子能有效地检测微弱动态周期信号．该检测方法既能形成一种独立的检测理论,也可以作为现行微弱信号检测理论的有效补充．     

基于混沌振子的微弱信号检测

分析Duffing振子的混沌特性及其检测原理,阐述基于相平面变化进行微弱信号的检测原理。利用MATLAB仿真的结果表明,Duffing振子对与周期策动力频率差较小的周期信号敏感,对纯噪声和频率较大的周期干扰信号具有免疫力。该振子应用于对已知频率的微弱信号的检测是可行的,并且有效、简单、便于应用。     

基于改进型振子差分的微弱正弦信号检测

在信息检测领域,微弱信号检测是目前的研究热点之一.为了检测更低信噪比下的纳伏级微弱正弦信号,综合考虑混沌系统检测信号的灵敏度和工作稳定性2方面,建立了改进型双振子差分检测模型.通过振子差分对相空间中的周期部分和共模噪声的抑制特性,利用差分波形图检测微弱正弦信号.仿真实验结果表明:改进型的差分振子可以更好地对微弱正弦信号进行检测,且该方法具有稳定性高、灵敏度高、直观、易于实现等优点.     

基于改进型脉冲耦合神经网络的混沌相态分类方法

混沌相态分类是利用混沌系统检测微弱信号的关键步骤.提出一种基于改进型脉冲耦合神经网络的混沌相态分类方法.利用该网络模拟哺乳动物视觉皮层神经细胞活动的特点,提取混沌系统输出相态图的结构特征,并应用均值残差算法进行特征信息降维,进而实现对系统混沌态与周期态的实时判别.以Lyapunov特性指数方法作为评价准则,分别使用正弦...     

Memory Chain in a Chaotic Autoassociative Neural Network

Memory chain is observed in a chaotic autoassociative neural network. The network recalls first stored pattern from a fragment of a memory, stays at this pattern for a while, transits to the second stored pattern that overlaps with the first recalled pattern.Then it stays at the second recalled pattern for a while, transits to the third stored pattern that overlaps with the second recalled pattern, and so on. Thus a memory chain is generated. The memory chain ends with the pattern that overlaps no other stored patten. This phenomenon is similar to the way of recalling process of human beings in some respects.