基于相空间重构的语音增强

将相空间降噪方法应用于语音增强之中。由于语音信号集中在有限空间,而随机噪声则分散在各个分量中,通过找到信号能量集中的信号空间,去除噪声能量集中的冗余空间,达到减少噪声的目的。针对语音信号的特点,本文对相空间降噪基本算法中邻点的选取方法进行了改进,在没有增加太多运算量的前提下,提高了对不同信噪比信号的适应性。另外,应用改进后的算法,本文分别对汉语单个音素和连续语音进行了相空间语音增强测试。实验结果显示,改进邻域选择后的相空间语音增强方法可以显著提高信噪比。     

微熵率重构相空间混沌时序预测研究

目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数即延迟时间与嵌入维数,引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中,利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测,也得到了较高的精度.     

相空间重构在语音情感识别中的研究

为了更为全面地表征语音情感状态,弥补线性情感特征参数在刻画不同情感类型上的不足,将相空间重构理论引入语音情感识别中来,通过分析不同情感状态下的混沌特征,提取Kolmogorov熵和关联维作为新的情感特征参数,并结合传统语音特征使用支持向量机（SVM）进行语音情感识别。实验结果表明,通过引入混沌参数,与传统物理特征进行识别的方案相比,准确率有了一定的提高,为语音情感的识别提供了一个新的研究途径。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

相空间重构方法研究

利用混沌理论进行信号处理的第一步就是对混沌信号进行相空间重构,Tekens提出的延迟坐标法奠定了相空间重构的基础,而重构参数的选择则成为主要的难题.在比较了现有参数选择方法的基础上,提出了一种基于三阶相关奇异谱分析的相空间重构方法,仿真证明了该方法的有效性,而且具有较好的重构效果.     

基于相空间重构的计算机网络的动力学特性分析

文章利用相空间重构理论对网络流量数据进行研究分析,用单变量的网络流量时间序列重构与网络动力系统等距同构的相空间,进而计算网络的关联维数、Kolmogorov熵和最大Lyapunov指数,研究网络系统的这三个参数随时间的变化特性。从而指出了网络流量具有的混沌动力学行为,并为进一步利用混沌动力学理论对网络行为的控制和建模奠定了基础。     

相空间重构优化研究

分析了传统相空间重构方法的不足,提出了相空间重构优化的标准和重构质量的评价方法.由于相空间重构过程中,重构参数的改变直接导致了吸引子的伸展和折叠行为.并形成相应的空间结构.通过无序度可以有效地刻画重构吸引子的不同性态,当无序度最小时可保证吸引子具有最规则的结构.重构质量的评价主要是通过检测吸引子拓扑结构的稳定性来实现,这比其他检验方法更具有客观性.仿真实验结果表明该方法的可行性.     

混沌时间序列分析中的相空间重构技术综述

本文对混沌时间序列分析中的相空间重构技术进行了分析和评价,总结了国内外学者的研究进展,并展望了未来的研究方向。     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

基于相空间重构的股价时间序列相关性分析

股指的相关性研究对于衍生产品定价、风险管理、套期保值和最优投资组合选择等都具有重要的意义。股指相关性研究大都是在线性理论的基础上,即认为股指时间序列是线性的,但是实际上,股指时间序列具有很强的非线性特征,因此在线性理论基础上得到的相关性结果具有一定的局限性。应用非线性的混沌理论,通过对沪深股指混沌时间序列进行相空间重构,建立了一个多维的股指时间序列系统。运用典型相关分析对构建的系统进行相关性计算,得到沪深股指之间的相关性。     

结合混沌预测的改进的OGY 控制方法

提出一种结合混沌预测的改进的OGY方法,首先对OGY方法进行了改进,使其可以稳定一个混沌系统到不同的目标点,然后利用混沌的相空间预测算法,得到系统的状态估计值,进而得到控制量,使混沌系统能较快地进入其控制区间。与通常的混沌控制方法相比,该方法大大加快了混沌系统的稳定过程,仿真结果表明,该方法是有效的。     

一种新的多嵌入延迟相空间重构方法

对文献[5]提出的Cao方法进行了改进,提出一种新的多嵌入延迟相空间重构方法,不仅能够判断最小嵌入维数,还能够确定最佳时间延迟矢量。Cao方法的应用领域得以扩展,使得相空间重构问题可以在一个判断标准下完成。数值仿真结果表明,该改进方法在处理包含多个强烈周期成分的信号时比目前常用的单一嵌入延迟方法有明显优势。     

混沌时间序列预测模型的比较研究

针对目前混沌时间序列预测模型预测结果差异较大的问题,归纳了4种混沌时间序列预测模型：BRF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究。应用4种预测模型对几个典型的非线性系统进行预测仿真。结果表明,这4种预测模型对典型混沌时间序列预测都具有很好的预测效果;在预测精度上BRF模型和Volterra模型明显优于最大Lyapunov指数模型和局域线性模型。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

基于改进的G-P算法的相空间嵌入维数选择

对混沌时间序列相空间重构中嵌入维数的选择进行了研究,针对饱和关联维数算法（G-P算法）存在的四点不足,提出了一种计算最佳嵌入维数的改进算法。通过对邻域半径区间的自适应选择,采用均匀变化步长的方式;对无标度区间利用基于BDS统计限定范围的快速自动判定法进行识别,实现了系统维数的自动计算;针对原算法存在的重复运算、繁杂计算问题,从算法原理和程序结构上进行了改良,大大加快求解速率。在理论分析的基础上,用新算法进行试验,仿真结果表明设计的算法对嵌入维数的选择更准确更高效。     

用于混沌信噪分离的Neymark分解法的适用性研究

从几何投影的角度阐述了Neymark分解的空间物理意义．并用能量分布的观点解释了该方法实现噪声抑制的内在机理,然后通过几个典型的混沌信号在不同类型的噪声背景下的处理结果,说明了Neymark分解法在实现混沌信号与噪声分离时的局限性．指出了该方法的噪声抑制效果与目标信号和背景噪声在嵌入相空间中能量分布状况之间的关系,最后在此基础上总结出了空间投影类方法实现信噪分离的适用范围,从而为今后选择合适的混沌信号处理方法提供了依据。     

基于相空间模糊熵算法的金属缺陷形状辨识

提出了一种多线圈涡流无损检测方法,通过相空间模糊熵算法分析涡流信号复杂度,进而实现对金属微小缺陷形状的辨识.为了从足够的测量信息中获取有效的缺陷特征,设计了多线圈传感器模型.通过仿真实验选取适合的传感器参数和激励模式.采用相空间模糊熵算法,研究不同大小、深度、形状的缺陷对涡流信号复杂度的影响.为了准确提取涡流信号的内在规律,获得对缺陷敏感的信号分析结果,对涡流信号进行相空间重构,并在重构的相空间中计算信号的模糊熵.分析结果表明:随着缺陷体积的增加,模糊熵增大,涡流信号的复杂度增加.根据不同形状缺陷的模糊熵均值分布图,可以实现对孔、洞、裂缝3种缺陷较精确的区分.     

二维相空间中肌电信息熵的计算

肌电信号的检测与分析对于临床诊断和康复工程具有重要的现实意义。从生理学角度上讲各种动作是肌肉的收缩产生的,同时伴有肌肉内部各运动单位电位的变化产生了肌电信号。通过对肌电信号一维时间序列的研究,发现其具备一定的混沌特性。信息熵是一个信息量的概念,在重构后的二维相空间中计算了各种肌电信号的信息熵,并对所得结果进行分析,确定了肌肉与动作之间的规律,此规律能为假肢的研究提供科学依据。