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.     

基于混沌特征的网络延迟预测模型

 结合非线性时间序列分析方法与CAIDA组织授权的真实Internet海量样本数据,计算了网络延迟演化序列的混沌特征量,结果表明演化序列具有混沌特征.在此基础上,对混沌系统中典型的Logistic模型加以改进,提出了一种基于Logistic模型的以正余弦函数作为指数衰减因子的模型,以描述网络延迟的演化态势.使用微粒群算法根据实际数据,分别从算法收敛性、模型的拟合准确度及预测准确度等方面对备选模型参数选优.实验结果表明最终优选模型在结构选择上比较合理,能够准确反映网络延迟的变化情况.     

高阶非线性微分方程的并行演化建模算法

文章提出了动态数据的高阶非线性微分方程的并行演化建模算法。动态系统的传统模型多采用线性模型,不能充分描述复杂系统的动态行为,建立高阶非线性微分方程模型更具普遍意义。我们通过将建模过程分解为可以分布并行的、模型结构选择和“模型参数优化”二个步骤,在异构网络环境中用CORBA实现了高阶微分方程建模的并行演化算法。实验表明,新的并行演化算法对于复杂动态系统的建模是十分有效的。     

非线性ROF系统的分析和建模

在分析ROF(radio over fiber)系统组成与传输非线性的基础上,提出了用Volterra泛函级数为非线性ROF系统建立模型.研究了非线性ROF系统的Volterra级数表述、最小均方和最小二乘两种确定Volterra级数核的自适应算法在非线性ROF系统建模中的应用.通过一个用Volterra泛函级数对非线性ROF系统建模的实例,比较了Volterra LMS和Volterra RLS算法在建模中的效果,证明了用Volterra级数对非线性ROF系统建模的有效性.     

基于神经网络预测器的混沌海杂波弱信号检测

针对海杂波中的弱信号检测问题，借鉴杂波的混沌动态建模思想，重点讨论非线性混沌序列的神经网络建模、预测及信号检测方案。基于神经网络拟合非线性函数的能力．提出神经网络预测混沌时间序列的算法和信号检测方案。介绍了所提算法的原理和步骤，针对具体应用问题，用计算机仿真和实测数据试验验证了所提算法检测混沌噪声中弱小的暂态信号的有效性。     

混沌时间序列降噪在数字通信中的一个应用

根据对非线性时间序列降噪的理论,本文采用Gradient Descent方法在CSK(Chaos shift Keying)系统的接收端对混沌时间序列进行降噪,获得一条比原来时间序列噪声更小的时间序列轨道,然后采用非相干检测技术对发射端传输的符号进行判断,理论分析和计算机仿真结果基本一致.     

基于残差预测修正的局部在线时间序列预测方法

 对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(Support Vecotr Regression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用Online SVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出.实验结果表明,新方法在执行效率和预测精度方面较单一Online SVR均显著提高.     

非线性时间序列分析中系统建模和噪声抑制的交叉参考方法

本文钭复杂非线性时间序列分析中的系统建模（或参数估计）与器材怕抑制这两个通常是分别或顺序完成的任务进行处理,提出一种交叉参考的统一框架,通过这代算法中的交叉参考和积极作用改善性能,基于这一框架,建立了一个用于混沌时间序列分析的交叉参考迭代算法,仿真结果表明了该方法对性能的显著改善,根据不同的优化准则,还可获得各种变型长法。     

时间序列非线性模型的研究

本文提出了几种时间序列非线性模型,对这些模型的结构和训练方法作了分析和讨论,并针对几类常见的时间序列,给出了实验结果。     

混沌跳频序列发生器的FPGA实现

本文根据单峰映射产生混沌序列极易被攻击的特点,采用高维的混沌系统来设计混沌跳频序列发生器.针对n维非线性数字滤波器产生序列的周期和分布特性,我们在系统结构上作了相应的设计,并最终应用FPGA(现场可编程门阵列)技术实现混沌跳频序列发生器.跳频序列发生器产生序列的测试结果表明,序列具有均匀分布,大的线性复杂度,汉明相关服从均值为L/q的高斯分布,因此混沌跳频序列发生器的设计是成功的.     

非线性信道的均衡算法研究

本文使用Hammerstein模型和维纳模型代替Volterra级数模型来模拟非线性结构以降低运算复杂度,提出了一个由Hammerstein模型和维纳模型构建成的非线性信道传输系统的模型.基于该系统模型,分别提出并推导了三种非线性信道的均衡算法:NCRLS算法、NCKalman算法和NCRPEM算法,并对这三种新算法的性能进行了比较.仿真结果表明,在剩余均方误差方面三种算法中NCKalman算法最小,NCRPEM算法次之,NCRLS算法较差;在收敛速度方面NCRPEM算法收敛最快,NCRLS算法次之,NCKalman算法较差.     

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Volterra滤波器基础上,提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种NLMS类型的自适应算法来实时调整这种非线性滤波预测器的系数,仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混时间序列,且它的模块化特征更易于VLSI电路实现,具有广泛的工程应用价值。     

非线性信道的LMS Newton均衡算法的研究

本文使用Hammerstein模型和维纳模型代替Volterra级数模型来模拟非线性结构以降低运算复杂度,提出了一个由Hammerstein模型和维纳模型构建成的非线性信道传输系统的模型,由此模型给出并推导出了基于该信道模型的NCLMS算法、改进1型NCLMS Newton算法和改进2型NCLMS Newton算法.仿...     

Logistic混沌序列叠加过程分解模型与弱信号高精度复原

本文研究对由若干个Logistic混沌或非混沌序列叠加过程形成的有成因联系的多变量时间序列的弱信号进行高精度复原的分解模型和算法,通过数字仿真分析表明该分解模型和算法对Logistic混沌或非混沌序列弱信号具有高精度地复原的性能.     

Prediction of chaotic time series based on the recurrent predictor neural network

Chaos limits predictability so that the long-term prediction of chaotic time series is very difficult. The main purpose of this paper is to study a new methodology to model and predict chaotic time series based on a new recurrent predictor neural network (RPNN). This method realizes long-term prediction by making accurate multistep predictions. This RPNN consists of nonlinearly operated nodes whose outputs are only connected with the inputs of themselves and the latter nodes. The connections may contain multiple branches with time delays. An extended algorithm of self-adaptive back-propagation through time (BPTT) learning algorithm is used to train the RPNN. In simulation, two performance measures [root-mean-square error (RMSE) and prediction accuracy (PA)] show that the proposed method is more effective and accurate for multistep prediction. It can identify the systems characteristics quite well and provide a new way to make long-term prediction of the chaotic time series.     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力,应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型,利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明,该模型产生的混沌扩频序列调整更容易,比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

混沌模拟信息转换——基于多射法的稀疏信号重构

混沌压缩采样是应用混沌系统实现非线性测量的压缩采样理论。该文研究模拟信号的混沌压缩采样-混沌模拟信息转换。该转换通过稀疏信号激励混沌系统,低速采样系统输出实现;信号重构则以混沌系统参数估计理论为基础,通过稀疏正则化的非线性最小二乘问题进行求解。该文将多射法(MS)与迭代再加权非线性最小二乘算法(IRNLS)结合,给出混沌模拟信息转换的MS-IRNLS信号重构算法。文中以Lorenz系统为例,仿真验证了MS-IRNLS算法的重构性能,结果表明方法的有效性。     

混沌光学系统的神经网络自适应控制研究

提出一种用于混沌光学系统控制的神经网络自适应控制技术。以一前向神经网络作为受控混沌光学系统的系统辩识器，由此神经网络系统辩识器与受控混沌光学系统输出差值作为负反馈对受控混沌光学系统控制参数进行调整达到控制目的。由于所使用神经网络系统辩识器在常规ＢＰ算法的支持下可从受控混沌光学系统的输出时间序列进行动力学模型重构，因而特别适用于对未知动力学表述的混沌光学系统进行控制。以对布喇格声光双稳混沌系统的系统辩识及自适应控制为例，对此神经网络自适应控制技术可行性进行了示例证明。