基于相似序列重复度的舰船辐射噪声时域特性的研究

根据舰船辐射噪声的时域序列波形的特点，对其数据序列本身的局部相似性进行了研究．首先进行了相空间重构（维数为５，１０，２０，３０，５０）．接着在此相空间基础上，利用相似序列计算出重复度（ＲＲＰＴ）参数，绘制了舰船辐射噪声的重复度曲线并分析其特征．最后利用ＲＲＰＴ参数提取了数据序列的熵信息．实验表明重复度曲线和熵信息较好地反映了舰船辐射噪声的时域特征．     

于相似序列重复度的舰船辐射噪声时域特性的研究

根据舰船辐射噪声的时域序列波形的特点，对其数据序列本身的局部相似性进行了研究，首先进行了相空间重构（维数为5，10，20，30，50）。接着在此相空间基础上，利用相似序列计算出重复度（RRPT）参数，绘制了舰船辐射噪声的重复度曲线并分析其特征，最后利用RRPT参数提取了数据序列的熵信息。实验表明重复度曲线和熵信息较好地反映了舰船辐射噪声的时域特征。     

关联维估计在舰船辐射噪声特征提取中的应用

为有效利用舰船辐射噪声的混沌特性,提取其混沌特征来对目标进行分类识别,采用了一种集相空间重构技术和关联维数拟合估计为一体的系统的特征提取方案,并成功应用于对舰船辐射噪声的特征提取.首先采用平均互信法和虚假最近邻点比例确定混沌时间序列相空间重构两个重要参数,给出了关联维数的计算方法,并提出用最小二乘曲线拟合,准确估计出关联维数结果.通过不同类别一定样本数量的实测数据计算它们的关联维特征参数,仿真结果表明该方法提取的特征参量具有很好的可分性,为下一步对舰船目标的分类识别打下基础.     

空中目标信号相空间重构方法研究

为提取空中目标辐射噪声非线性和混沌特征,需要对目标信号作非线性时间序列分析,其第一步则是相空间的重构,基于Takens定理进行相空间重构前必须先确定重构相空间的时滞和嵌入维数两个重要参数。分别采用互信息方法确定重构最佳时延和关联积分法确定重构嵌入维数。分别以经典混沌信号和实测目标噪声数据为研究对象进行计算仿真,结果证明了该方法选择地参数进行相空间重构的有效性与准确性,重构的相空间能很好反应原混沌系统的特性,为下一步分析提取目标非线性特征奠定了良好的基础。     

舰船辐射噪声的非高斯特性和非线性检验

用Hinich检验方法，验证了实际舰船辐射噪声中存在非高斯性、非线性成分，为利用高阶累积量方法提取舰船辐射噪声的非高斯特征，提供了客观依据。     

基于关联积分的非线性降噪和故障诊断技术

基于交叉关联积分算法，利用重叠滑动窗口对非平稳信号进行分段比较，给出了一种故障诊断和预报的方法．对滑动窗口中的一维非平稳测量信号，首先采用正向过阈值变换的方法，将原始测量信号转变为完全包含系统固有信息的间期时间序列，并用延时嵌入的相空间重构方法，对间期时间序列进行相空间重构，从而实现系统固有动力学特性的再现；与此同时对测量信号进行非线性复合消噪处理；最后通过检测各滑动窗口相对基准窗口的关联积分的变化，对系统故障进行诊断和预报．实例结果表明，此故障诊断方法具有准确率高、实时性等优点，可望用于大型、复杂系统的故障诊断．     

非线性时间序列的相空间重构参数估计的新算法

针对混沌理论中非线性时间序列相空间重构的理论和方法,提出一种估计嵌入维数和延迟时间的新算法,采用矢量空间平均位移法确定延迟时间;基于混沌吸引子上邻近点之间距离随着时间增加最终趋于饱和的特性,估算非线性时间序列相空间重构的嵌入维数. 实例表明,该算法可以有效估计非线性时间序列的相空间重构参数.     

地面装甲目标声信号的混沌特征提取

针对地面装甲目标辐射的噪声信号的非线性特性,为使智能地雷能够有效地识别目标,利用非线性动力学理论中的混沌原理对目标声信号进行特征提取。通过野外场地实验,采集到2种装甲目标在不同运行速度下的40组样本信号,采用改进C-C法求得信号时间序列的相空间重构参数——时延和嵌入维,再利用Wolf法得到了2种目标声信号的混沌特征量——最大Lyapunov指数。结果显示：同一目标声信号的最大Lyapunov指数相近,且与运动状态相关性不大;不同目标间声信号的最大Lyapunov指数相差较大,辨识度较高。结论证明,最大Lyapunov指数可以作为地面装甲目标识别的有效特征参量。     

低频线谱检测ALE算法应用

 舰船辐射噪声在低频段具有稳定的特征信息丰富的线谱成分,此线谱成分的检测对水下目标的定位和识别具有重要意义.为了有效地将舰船辐射噪声特征线谱从宽带背景噪声中分离出来,应用ALE算法理论对舰船噪声信号进行研究.ALE算法作为自适应FIRDF算法的一种变形,是自适应噪声抵消器的典型应用.低频线谱检测中采用ALE算法无需参考信号,自适应地将线谱成分信号进行匹配,可以从宽带噪声中将线谱成分分离出来,且线谱成分明显增强.理论分析仿真结合实际海试数据对LOFAR谱图进行研究,结果表明,ALE算法在低频线谱信号检测中能够达到期望的效果.与常规方法相比,检测性能得到有效提高,有利于辐射噪声线谱的提取.     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

基于相空间重构和核主分量的水声信号增强

多径衰落是水声信道的主要特征,利用多径衰落信道具有的混沌行为,提出一种新的抗多径干扰的方法.建立基于混沌相空间的水声信道模型,利用核技巧φ(x)·φ(y)=k(x,y),通过核主分量分析提取相空间数据中累积贡献率达到90%的非线性核主分量,然后利用核主分量逆向投影回原相空间,通过去掉噪声干扰等次分量,提高水声衰落信号的信噪比.基于实测水声数据的仿真实验结果表明,该方法能将chirp水声信号信噪比提高7.76 dB,达到对多径衰落水声信号增强的目的.      

基于伪相图的大机组非线性故障诊断技术

论述了通过延时嵌入相空间重构方法获取伪相图技术 ,将该技术用于大机组非线性故障的定性特征提取 ,并选取了故障实例进行分析 .采用基于奇异值分解的相空间重构方法 ,解决了把吸引子投影到哪些基构成的平面上方能充分反映原系统特性的问题 .研究结果表明 :伪相图在一定程度上与转子的轴心轨迹类似 ;同时 ,由于伪相图可通过一维时间序列得到 ,而且伪相图的构造过程包含了降噪过程 ,因此 ,将伪相图用于大型旋转机械故障诊断中具有一定的优越性     

基于相重构和主流形识别的非线性时间序列降噪方法

提出了一种基于相重构和主流形识别的非线性时间序列降噪方法.带噪的时间序列在高维的相空间中其本质特征隐含在一个低维的主流形中,利用局部切空间变换方法提取其主流形,再根据主流形对时间序列进行重构,就可以达到降噪的目的.与现有的非线性时间序列消噪算法不同,基于主流形的消噪算法更强调时间序列的整体结构.数值仿真分析的结果验证了该降噪方法能有效地消除非线性时间序列中的高斯白噪声.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

关于非线性模式预报误差的研究

根据非线性理论和微分理论，详细研究了时间序列长度、相空间维数、内插阶数、Ｌｙａｐｕｎｏｖ指数的计算误差及提前预报时间等因索对相空间模式预测误差的影响．研究结果表明：（１）相空间维数（ｄ≥３）越小，其预报误差越小；（２）模式的阶数越高，其预报误差越小；（３）所用的相点越多，其预报误差越小，一般所需的资料长度应不少于２６０个；（４）相空间模式的预报误差将正比于最近邻点与参考点之间的模距离；（５）适当增加内插相点可减少相空间模式的预报误差；（６）若相空间轨线不存在退化，则当最大方向角误差不大于０．４３６时，Ｌｙａｐｕｎｏｖ指数模式的平均相对误差将不大于１０％，而且其预报误差不会因方向角误差而积累．     

一种基于小波包变换的关联维数计算方法

为了方便、快速和有效地从时间序列信号中提取关联维数,提出了一种利用非线性时间序列的小波包变换模数代替混沌信号本身,在m维相空间中计算其关联维数的方法.用具体实例进行了仿真验算和噪声分析.结果表明,算法准确、可靠,可以有效克服采样过程中噪声对信号的干扰.     

基于三阶累积量的自适应多变量相空间重构

利用三阶累积量反映多变量序列的高阶非线性相关性,建立了一种具有良好抗噪性的多变量相空间重构方法.将三阶累积量引入到序列局部本征维数(LID)的计算中,对不同相空间点构造新的三阶累积量相关矩阵;同时建立累积量切片评价函数,通过比较得到了对噪声及嵌入维数等重构参数变化鲁棒性强的累积量切片,然后确定序列的嵌入维数、嵌入延迟,重构多元变量相空间.仿真结果表明,建立的新方法对带噪声混沌序列具有较好的鲁棒性,多元变量奇异吸引子轨迹在重构相空间中得到了良好扩展.