基于混沌神经网络理论的城市深基坑沉降量预测模型

通过分析城市深基坑沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市深基坑沉降量预测的混沌神经网络模型;并利用此模型对上海某深基坑沉降量进行了预测,取得了较为满意的预测效果.     

基于掩膜经验模态分解和ELM 的风速预测

针对随空间、时间呈现非平稳、非线性变化的特征,提出基于极限学习机和掩膜经验模态分解的组合短期风速预测方法.首先,风速序列的非平稳性特征对风速预测结果有较大影响,利用掩膜经验模态分解的方法将风速序列分解成对平稳的不同频率的分量,解决其存在的非平稳性问题;其次,为处理极限学习机的输入维数随意性选取问题,对风速序列分解不同频率的分量进行相空间重构;最后,利用ELM神经网络方法对各分量建立预测模型.实验结果表明:该预测方法在短期风速序列预测中取得了理想的预测效果,提高了算法精度,具有先进性和有效性.     

基于径向基神经网络的水声微弱信号检测

为了克服传统随机信号处理手段检测水声微弱信号的缺陷,提高水声微弱信号检测效率,详细分析了海洋混响噪声的混沌特性,将混沌理论中相空间重构理论与径向基神经网络相结合建立了预测模型,从模型预测值与实际观测值的绝对误差中检测出微弱谐波信号频谱值,通过解算获取回波信号包含目标信息,从而提出了一种海洋混响混沌序列预测方法。相比传统随机信号处理手段检测水声微弱信号的方法,本文建立的预测模型克服了将背景噪声简化作白噪声的低信噪比检测缺陷,检测结果准确,检测效率高,适用于水声微弱信号检测。     

基于混沌理论和BP 神经网络的某基地电力短期负荷预测

为了合理安排并优先保证军事基地中的电力调度问题,提出一种基于混沌时间序列和BP神经网络相结合的电力短期负荷预测方法。根据混沌理论及神经网络方法,先基于延迟坐标相空间重构技术,再应用互信息法和饱和关联维数法,选择延迟时间石和嵌入维数m,然后用BP神经网络来实现预测,并通过对海军某基地的电网的时间负荷序列进行实测仿真。仿真结果表明：相对误差均在5％vX内,且有33．3％的误差在1％以内,证明该预测方法具有较高的预测精度和应用价值。     

基于神经网络的自动机冲击振动信号混沌特征识别

针对武器自动机含噪冲击振动信号的混沌特性识别问题,提出了基于神经网络的混沌特征识别算法.将信号进行降噪处理,利用神经网络强大的学习和非线性处理能力,逼近信号真实相空间映射建立Jacobian矩阵,通过Jacobian矩阵计算出最大Lyapunov指数,并判断信号是否含有混沌特征.分别采用Lorenz仿真系统和自动机动作的冲击振动实测信号进行算法验证,仿真和试验结果表明提出的算法可以有效地解决自动机冲击振动信号混沌特性识别问题.     

混沌序列的模糊神经网络预测

提出了一种针对混沌序列预测的T-S模糊神经网络。这种T-S模糊神经网络与传统的T-S模糊神经网络相比在不影响预测精度的前提下极大的减少了神经网络的节点数。同时利用基于混沌动态量的BP算法对神经网络进行学习．提高了收敛速度和预测精度。应用此T-S模糊神经网络和相应的BP学习算法．对Mackey-Glass混沌时间序列进行了预测．与传统的T-S模糊神经网络相比得到了更好的结果，验证了该方法的有效性。     

一种基于混沌特性的网络流量改进预测算法

高速网络中网络流量具有自相似特征,这种自相似性特征和混沌现象的吸引子有着密切联系。基于相空间重构理论,用网络流量混沌时间序列重构与原网络动力系统等距同构的相空间,通过计算网络关联维数、Kolmogorov熵和最大Lyapunov指数,证实网络流量具有混沌特性。分别采用基于Wolf原始算法和改进算法的最大Lyapunov指数方法,对网络流量进行了预测,并计算了最大可预报时间。仿真结果表明,基于Wolf改进算法的预测方法精度和可靠性高,从而为有效预防网络拥塞奠定了基础。     

基于小波神经网络的信号识别

信号的分选和识别技术在当今信号处理的系统中占有相当重要的地位.小波分析和神经网络是近年来兴起的一种分析信号方法.文中对二者的结合问题进行了研究.小波空间可以作为信号分类的特征空间,进而可以通过神经网络对信号进行特征识别.小波神经网络是基于小波分析而构造的神经网络模型.在信号调制类型识别中,利用小波伸缩平移把信号分解到不同频道上进行特征提取;把提取的特征信息输入神经网络进行分类.仿真结果表明,利用此方法可以较好的对信号进行分选和识别.     

相空间重构在引信信号检测中的应用

随着低空超低空突袭兵器技术的不断发展,防空导弹引信面临着越来越强的地海杂波的干扰.基于统计理论的传统信号检测很难从强地海杂波中把微弱目标信号检测出来.以相空间重构理论为基础,提出了基于神经网络的混沌时间序列建模与预测方法,探讨了相空间重构技术在引信信号检测中的应用.通过理论分析和实测杂波数据仿真,表明了该方法不需建立统计模型.适合在防空导弹引信系统中应用,能够有效地提高引信检测微弱信号的能力,为强杂波环境下的微弱信号检测提供了一个新方法.     

基于IA-SVM模型的混沌小信号检测方法

针对传统微弱信号检测方法在混沌背景下的检测能力较弱,提出了一种基于IA-SVM模型的混沌小信号检测方法。该方法经求嵌入窗构建混沌相空间后,利用免疫算法寻优能力对支持向量机中影响预测精度的三个参数进行优化,从而建立混沌时间序列的预测模型。实验验证结果表明,预测信号的均方根误差为0.000 146 3(信噪比为-104.247 3 dB),较传统微弱信号检测方法有着显著优势。