基于小波包能量熵的混沌序列复杂度分析

混沌密码学是密码学的一个新方向,混沌序列的复杂度是衡量混沌密码学安全性的重要指标.本文将小波包能量熵应用到混沌序列的复杂度分析中,首先将混沌序列进行小波包分解,然后通过小波包能量熵计算方法确定各频段能量大小,从而确定混沌序列的复杂度.通过对Logistic、TD-ERCS和Henon产生的混沌序列进行比较分析,结果表明,小波包能量熵具有全局统计特性,无需引入新参数进行相空间重构.另外,计算方法简单,且不依赖于混沌序列的采样长度与初始值,能有效衡量混沌序列的复杂度.     

基于混沌动态量化的宽间隔跳频序列

本文提出并分析了一种在对混沌映射区间进行二级划分的基础上采用旋轮策略动态量化的混沌宽间隔跳频序列生成方案.新方案可有效增加混沌跳频序列的抗相空间重构攻击的能力.本文进一步通过数值模拟与统计分析对新方案与多值量化混沌宽间隔跳频序列生成方案进行了比较,结果表明:该方法速度快,生成的跳频序列具有优良的多址性能.     

基于Lyapunov指数的非线性模拟电路故障诊断方法

本文介绍一种基于计算最大Lyapunov指数的非线性模拟电路故障诊断方法，它应用混沌方法对一个变周期的多谐振荡器的输出信号进行处理，利用数据替代法生成电路故障数据，借助于小数据量法计算相应的最大Lyapunov指数，将这种混沌特性分析应用于强非线性模拟电路的故障诊断，并对混沌时间序列相空间重构中的延迟时间间隔和嵌入维数的选取方法进行了讨论；结合实例对该方法进行了计算验证。     

航向数据混沌特性分析及预测

惯导系统输出航向数据具有混沌特性,应用混沌理论对其进行分析,采用C-C方法重构相空间,在此基础上分别通过定性与定量方式分析其混沌特性并计算最大Lyapunov指数。以相空间重构后的时间序列为变量输入,采用RBF神经网络预测航向数据,结果表明其预测精度优于未经相空间重构的直接预测法。     

海洋激光雷达系统的噪声相空间重建的研究

通过对混沌信号以及海洋激光雷达接收信号噪声的相空间分析,探讨了由时间序列重构相空间时参数选择的影响。重建了确定信号、随机信号、混沌信号和海洋激光雷达接收信号噪声的相空间。经过以上工作,初步掌握了重构相空间时参数选择的规律,明确了确定信号、随机信号和混沌信号各自的相空间特性,并发现海洋激光雷达接收信号噪声与混沌信号有相似的相轨迹。     

应用混沌理论对煤矿瓦斯浓度预测

利用混沌时间序列短期可以预测的特点,构建煤矿瓦斯浓度预测模型,重构煤矿瓦斯浓度相空间,采用改进的C-C算法确定相空间时延t和相空间嵌入维数m。然后在重构相空间中,运用加权一阶局域法构建煤矿瓦斯浓度的预测模型,进行煤矿瓦斯浓度预测。     

多次重构映射的混沌扩频序列及其特性分析

为获得性能良好的扩频序列,基于重构原理,将Bernoulli映射相空间轨迹进行二度重构,提出了一种新的混沌映射。新的混沌映射最大Lyapunov指数由0.697提高至大于5.5,并具有弱结构特性,以此来产生扩频序列。仿真计算分析了混沌序列的复杂度、平衡性以及相关性的改进,仿真结果表明,该方法产生的混沌扩频序列是一类性能良好的混沌扩频序列。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于混沌和神经网络的弱信号探测

本文首先描述了混沌的定义，提出了一个判断时间序列是否具有混沌行为的实验准则，即时间序列要有有限维数的吸收子，一个为正数的Ｌｙａｐｕｎｏｖｅ指数（李氏指数）并且是局部可预测的，分析了神经网络的重构混沌时间序列相空间的性能和受白噪声干扰时重构相空间的能力，基于神经网络所具的强大学习和非线性处理能力和混沌的局部可预测性，提出了一种利用神经网络对淹没有混沌背景下的瞬态信号进行检测的方法，实验表明，这种方法     

基于相空间重构的电力系统负荷预测

近年来,混沌理论在非线性系统中得到了越来越广泛的应用。针对电力系统负荷时间序列的复杂性和混沌行为,采用基于相空间重构技术的电力负荷时间序列混沌预测也成为电力负荷预测的一大研究方向。在总结和归纳的基础上,对基于相空间重构的负荷预测进行了分析论述,并展望其应用前景。     

基于非线性约束的局部投影降噪

基于相空间重构理论,该文提出了一种改进的混沌时序降噪方法.首先利用递归图对实际观测的时间序列进行混沌特性分析,然后将非线性约束条件引入局部投影方法之中,并在局部邻域内进行奇异谱(SSA)分析,利用代表吸引子的主分量来重构时间序列.该算法克服了传统局部投影方法不能充分刻画系统内在非线性关系的问题,减小了重构误差,提高了系统的信噪比.通过对Lorenz模型和太阳黑子混沌时间序列进行仿真分析,证实了该文算法对实际观测混沌时序降噪的有效性.     

Data-mining based fault detection

This paper presents a fault-detection method based on the phase space reconstruction and data mining approaches for the complex electronic system. The approach for the phase space reconstruction of chaotic time series is a combination algorithm of multiple autocorrelation and Г-test, by which the quasi-optimal embedding dimension and time delay can be obtained. The data mining algorithm, which calculates the radius of gyration of unit-mass point around the centre of mass in the phase space, can distinguish the fault parameter from the chaotic time series output by the tested system. The experimental results depict that this fault detection method can correctly detect the fault phenomena of electronic system.     

基于混沌理论的煤矿监控网络流量时间序列的预测

针对目前煤矿监控网络的流量增大趋势,为了改进和提高网络的QoS质量,提出了基于混沌时间序列预测网络流量的方法.从相空间重构,用互信息量法和虚假临近点法确定了延迟时间和嵌入维数,用小数据量法求解了最大Lyapunov指数,由此证明了网络流量时间序列的混沌特性,并且建立相应模型,成功地对其做出了预测.仿真结果表明,该方法具有较高的准确度.     

PARAMETERS DETERMINATION METHOD OF PHASE-SPACE RECONSTRUCTION BASED ON DIFFERENTIAL ENTROPY RATIO AND RBF NEURAL NETWORK简

Phase space reconstruction is the first step of recognizing the chaotic time series. On the basis of differential entropy ratio method, the embedding dimension mopt and time delay τ are op- ritual for the state space reconstruction could be determined. But they are not the optimal parameters accepted for prediction. This study proposes an improved method based on the differential entropy ratio and Radial Basis Function （RBF） neural network to estimate the embedding dimension rn and the time delay τ, which have both optimal characteristics of the state space reconstruction and the prediction. Simulating experiments of Lorenz system and Doffing system show that the original phase space could be reconstructed from the time series effectively, and both the prediction accuracy and prediction length are improved greatly.     

混沌时间序列的判定方法研究

在提取时间序列的混沌特征之前,首先要考虑该时间序列是否存在混沌.如果没有经过检验就事先假定实验数据是混沌的,直接用相空间重构理论等方法提取时间序列的特征,进而进行建模和预测,得出的结果是不可信的.围绕混沌系统可以由混沌吸引子的存在诊断,讨论了混沌时间序列的判定方法.     

混沌时间序列的Volterra自适应预测滤波器定阶

由于Volterra自适应滤波器的阶数对预测性能有较大的影响,在实际预测中,如何确定Volterra自适应滤波器的最优阶数就成为一个关键问题,该文运用相空间重构理论,推导出了Volterra自适应滤波器的最优阶数等于混沌动力系统的最小嵌入维数,作者用六种混沌时间序列进行实验,结果表明这种定阶方法在混沌时间序列Volterra自适应预测中非常成功,该方法对噪声影响的变化,表现出较好的鲁棒性。     

SELECTION OF PROPER EMBEDDING DIMENSION IN PHASE SPACE RECONSTRUCTION OF SPEECH SIGNALS

In phase space reconstruction of time series, the selection of embedding dimension is important. Based on the idea of checking the behavior of near neighbors in the reconstruction dimension, a new method to determine proper minimum embedding dimension is constructed. This method has a sound theoretical basis and can lead to good result. It can indicate the noise level in the data to be reconstructed, and estimate the reconstruction quality. It is applied to speech signal reconstruction and the generic embedding dimension of speech signals is deduced.     

机载海洋激光雷达信号中噪声的混沌行为初探

以机载海洋激光雷达试验数据为依据,通过接收信号中噪声的相空间重建,相关维分析及李雅普诺夫指数的计算,首次初步揭示了其噪声内在的混沌特性,为提高海洋激光雷达系统的检测性能提供了一条新的途径。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。     

海杂波背景下的GRNN小目标检测

根据海杂波混沌特性,建立了其相空间重构模型,构造了广义回归神经网络（GRNN,Genera lized Regression Neural Network）目标检测器,并利用加拿大McMaster大学采用IPIX雷达在Dart—mouth地区海域实测带有目标的海杂波数据对此方法进行验证,结果表明：在混沌海杂波背景下GRNN小目标检测法具有良好的预测性和时速性。