混沌背景下基于RBF神经网络的弱信号检测

弱信号检测问题是目标检测中一个重要的研究内容。通常，采用贝叶斯(Bayes)方法来检测目标信号的存在。在本文中利用背景信号为混沌这一先验信息，采用了RBF神经网络对模拟产生的淹没在混沌背景中的暂态信号进行检测，并将该方法与采用BP神经网络时的检测性能进行了比较。仿真实验结果表明，基于RBF神经网络的检测性能优于BP神经网络。     

混沌背景中微弱信号检测的回声状态网络方法

对复杂非线性系统的相空间重构理论进行了研究分析,提出了混沌背景中微弱信号检测的回声状态网络方法。针对回声状态网络模型参数选取困难这一问题,采用遗传算法对其模型参数进行优化。将回声状态网络模型参数作为遗传算法的个体,混沌时间序列预测均方根误差的倒数作为适应度函数,通过选择、交叉、变异等操作获得适合数据特点的最优模型参数。根据回声状态网络强大的学习和非线性处理能力,利用得到的回声状态网络模型最优参数建立混沌背景噪声的单步预测模型,将淹没在混沌背景噪声中的微弱瞬态信号和周期信号从预测误差中检测出来。以Lorenz系统和实测的海杂波数据作为混沌背景噪声进行仿真实验,仿真结果表明,本文所提方法在预测精度和训练速度方面均优于支持向量机和神经网络模型,能够有效地检测出混沌背景噪声中的微弱目标信号,且具有较小的预测误差。      

混响背景下的CW信号检测

CW信号即单频矩形脉冲信号,是雷达及声纳中常用的信号形式.混响是主动声纳检测中主要的背景干扰,它是一种有色干扰噪声,并常被看作是一个非平稳的随机过程,这使得工作在白噪声条件下检测器的性能在一定程度上受到限制.关于混响背景下的CW信号的检测问题是人们一直关注的问题,通常人们将混响视为随机信号进行建模,而忽视它的混沌特性.将混响视为混沌噪声,利用混沌噪声背景下的信号检测方法来检测混响背景噪声下的CW信号,并通过仿真得到预期结果.     

基于局域线性法和卡尔曼滤波的强混沌背景下正弦信号恢复的混合算法

本文提出一种局域线性-周期图检测-卡尔曼滤波混合算法LL-P-KF，用来恢复强混沌背景下正弦信号.首先，建立混沌信号的一步预测模型；然后，利用周期图检测潜在周期；最后，应用卡尔曼滤波从误差中恢复正弦信号.仿真实验表明该混合算法具有较好的恢复效果.     

检测强混沌中微弱谐波信号的神经网络方法

提出了一种提取强混沌中微弱谐波信号的方法。该方法根据嵌入定理，利用混沌系统的单变量观测值对混沌背景重构相空间，并利用径向基函数神经网络(RBFNN)建立混沌噪声的一步预测模型，使其与混沌噪声具有相同的基本动力学特征。并结合一个梳状滤波器对预测误差进行滤波，从而检测出湮没在混沌中的感兴趣的微弱谐波信号。该方法在信噪比(SNR)为-46dB时仍可检测出强混沌中微弱谐波信号。     

一种基于改进教学优化的微弱信号检测方法

为了快速准确地检测混沌背景中的微弱信号,提高网络泛化能力,文中利用改进教学优化算法优化贝叶斯回声状态网络的模型参数,提出了一种改进教学优化的混沌背景中微弱信号检测方法。通过建立混沌序列单步预测模型,分析预测误差的幅值,检测混沌背景中微弱瞬态信号和周期信号。对Lorenz系统和实测的海杂波数据进行实验研究,验证预测模型的有效性,结果表明,贝叶斯回声状态网络模型的预测结果比支持向量机和径向基神经网络模型的均方根误差降低了2个数量级,缩短了预测时间,提高了预测精度和预测效率,能快速有效地检测混沌背景中微弱信号,且具有更低的门限。     

基于新型RBF网络的模拟调制信号识别

对敌方雷达信号调制类型的识别是电子对抗的一个重要方面。采用了一种基于人工免疫聚类和进化规划的混合算法设计径向基函数(RBF)网络,并将其应用于雷达信号调制类型的自动识别。该算法首先利用一种实现数据聚类的人工免疫机制,根据输入数据集合自适应地确定RBF网络初始中心的数量和位置,之后采用进化规划训练RBF网络。仿真实验表明,采用这种方法设计的RBF网络对各种模拟调制信号的调制类型达到了较高的识别精度。     

基于径向基函数神经网络的混沌系统控制

考虑到不同神经网络模型误差对混沌控制效果的影响，提出了采用一种改进的递阶遗传算法对径向基函数（RBF）神经网络进行训练，针对连续的Lorenz系统进行了仿真，并且与其它神经网络训练算法结果进行了比较，仿真结果证明所采用的训练算法具有更加理想的混沌控制效果。     

一种强噪声背景下微弱信号检测方法研究

针对常规单混沌振子微弱信号检测方法存在检测过程不稳定的现象,将混沌吸引子与双振子差分检测技术相结合,提出一种通过调整系统稳定混沌态来检测微弱信号的改进方法,同时利用双差分振子来判别系统混沌态向周期状态转变的临界值。通过仿真分析,该方法可有效防止误判且实时性较好,有利于在强噪声背景下的微弱信号检测,为工程实际应用提供了一种可借鉴的方法。     

基于差分进化的随机共振混沌小信号检测

针对传统随机共振小信号检测无法对多参数进行同步调优的缺陷，本文提出了一种基于变种差分进化算法的随机共振混沌小信号检测方法。利用变种差分进化算法对Duffing振子的随机共振系统参数进行寻优，以系统输出信噪比为寻优问题的目标函数。为了验证算法的可行性，分别进行低频和高频小信号输入的仿真实验，在低频小信号检测实验中，输出信噪比较混沌变步长萤火虫优化算法平均提升1.98dB；高频小信号检测实验中，结合外差式随机共振理论，能够准确恢复出高频小信号对应低频段处的小信号，进一步推导出高频小信号的存在；对实测海杂波数据进行仿真实验，实验结果表明该方法能够有效地检测出淹没在海杂波背景下的混沌小信号。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

基于RBF网络的小波变换模极大值重构算法

本文根据交替投影的基本思想,提出了一种基于径向基函数网络的小波变换模极大值重构方法.该方法利用径向基函数网络(RBFN)在其基函数宽度很大时具有较好的线性映射这一特性来加快收敛速度,提高重构精度.它不仅能较好地重构信号的边缘,而且能准确地重构出信号的峰值.大量仿真实验表明,该方法对各种信号是普遍适用的,具有收敛速度快,重构精度高的特点.     

基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

实时能效分析及智能评级方法

能效分级是能效测评的基础,传统的能效分级方法单一且有局限性。文中提出一种智能化的评级方法,将神经网络应用于电力用户能效分析中,建立了基于神经网络的能效评级模型,从而不用给定某个特定的显式数学表达式。系统以RBF神经网络为核心建立模型,使用正交最小二乘法学习。综合考虑电能能效、电能污染能效和经济能效,可实时有效地进行能效分析及智能评级,并给出量化节能方案。仿真及实例计算表明,电力用户实时能效评级的RBF模型操作简捷、适用性强、实时性高,且具有较强的实用价值。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

IMMUNE RBF NETWORK AND ITS APPLICATION IN THE MODULATION-STYLE RECOGNITION OF RADAR SIGNALS

Based on Immune Programming(IP), a novel Radial Basis Function (RBF) network designing method is proposed. Through extracting the preliminary knowledge about the width of the basis function as the vaccine to form the immune operator, the algorithm reduces the searching space of canonical algorithm and improves the convergence speed. The application of the RBF network trained with the algorithm in the modulation-style recognition of radar signals demonstrates that the network has a fast convergence speed with good performances.     

短期电力负荷在小波包分解下的径向基神经网络预测方法

针对短期电力负荷预测问题,提出一种在小波包分解下的径向基神经网络预测方法。通过小波包分析,将电力载荷及其温度变量对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为预测器,并通过试错法确定网络合适的结构。网络的训练过程中,采用滑动窗口数据选择策略减少数据样本集,采用随机梯度法更新权值、中心位置和扩展参数。预测的小波系数用于重构出最终的电力载荷值。与前馈多层神经网络的对比数值,实验结果表明,新提出的方法具有较高的预测准确性。     

基于RBFNN和GA优化设计DGS微带*线

采用神经网络与遗传算法相结合的方法,对一种缺陷接地结构微带线进行优化设计。整个优化设计过程分为两步进行：首先采用基于混合递阶遗传算法优化训练的RBF神经网络对缺陷接地结构微带线进行建模,当神经网络模型训练成功后就实现了对这种缺陷地结构微带线传输系数快速和精确的输出仿真;然后利用该神经网络模型,并结合遗传算法共同优化设计这种缺陷地结构微带线的传输系数和尺寸参数。仿真结果验证了该方法的有效性和准确性。