Internet访问时间的混沌性解析

以CAIDA组织授权的海量数据为样本空间,利用相空间重构技术以及G-P算法,对时间维的Internet访问时间进行相空间重构,得到其混沌吸引子饱和关联维数为2.8308,证实Internet访问时间的演化过程具有混沌特征.在此基础上,根据关联维数及奇怪吸引子在相空间混沌轨道运动的特性,提出了三维微分方程组的Internet访问时间长期预测模型.     

基于支持向量机的混沌时间序列预测分析

混沌的特性决定了混沌系统很难长期预测,支持向量机有强大的学习能力,根据相空间重构理论用支持向量机建立预测模型对混沌时间序列进行短期预测。预测输出构建混沌吸引子来定性评价预测模型性能,同时与BP神经网络RBF神经网络构建的预测模型比较,计算预测模型的均方根误差定量地评价模型的性能。仿真结果表明,该方法具有较高的预测精度和泛化能力。     

基于相空间重构的语音特征研究

本文通过重构语音信号相空间。研究语音的相似序列重复度及其熵信息,分析比较了语音信号在相空间中的非线性特征。根据清音和浊音在多维相空间中的不同空间分布特性,对语音音素进行了分类。利用语音信号在相空间中的非线性特征可以为语音识别研究提供一个新的方向。     

基于集成BP神经网络的短期负荷预测

利用混沌相空间重构理论对负荷时间序列研究,用改进的C_C方法求得时间延迟τ和嵌入维数m,得到系统最大李雅普诺夫指数,证明其具有混沌特性.对样本数据相空间重构,构建多个BP神经网络的预测子模型,所有子模型同步预测的加权平均作为集成负荷预测值.在线采集负荷数据,利用增量式训练获取新的预测子模型,按“先入先出”顺序进行BP神经网络集成更新.将预测结果同普通BP神经网络预测结果进行对比,结果证明这种方法提高了预测精度.     

移动机器人自适应行为选择的混沌特性分析

针对移动机器人运行环境的复杂非线性特性,提出一种将重构相空间理论应用到移动机器人自适应行为选择中的混沌非线性分析方法。在所采集的一维自适应行为动作选择随机序列的基础上,重构时间序列的相空间,并计算相空间的嵌入维数、混沌吸引子和最大Lyapunov指数。计算结果表明,当运行环境中障碍物的分布密度较大时,移动机器人的自适应行为选择规律呈现混沌特性。这为结合混沌理论,给移动机器人的自适应行为选择提供更精确的控制,提供了理论基础。     

利用互信息确定延迟时间的新算法

对比研究混沌时间序列相空间重构中对延迟时间选取的各种算法,根据混沌吸引子所具有的伪周期性与各态历经的性质,提出采用逐步细化的方法寻找系统互信息函数的第一局部最小值,作为最佳的延迟时间。克服了传统互信息函数计算繁琐、难以编程实现的缺点,兼具精确性与高效性。通过Risssler和Lorenz系统的数值仿真结果验证了算法的可靠性。     

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.     

应用小波变换改进网络流量的相空间重构

流量预测是流量工程、拥塞控制和网络管理的核心问题,网络流量非线性变化部分有混沌特性的存在.现有的网络流量研究方法只是单一采用线性或者非线性的方法进行处理,而忽略了对混沌特性的研究.针对网络流量的混沌特点,利用小波变换和非线性动力学方法研究网络流量的混沌特性,并改进相空间重构方法.将混沌吸引子投影于小波滤波器向量所张的空间中,并充分利用了小波变换的去噪优点,给网络流量预测提供了行之有效的新方法.     

舰船辐射噪声混沌特征提取方法研究

研究舰船辐射噪声信号影响目标识别,针对传统子空间降算法只适用于多通道信号处理,为了清楚识别目标,提出多次迭代降噪的思想,并根据定义的信噪比改善量控制迭代次数.用相空间重构进行特征提取,为了降低特征维数,引入K-L变换进行特征压缩,提出一个基于子空间降噪理论与相空间重构以及K-L变换相结合的完整的舰船辐射噪声特征提取方法,进行计算机仿真,结果表明对舰船辐射噪声特征有效提取和分类识别很有效,证明方法对三类目标舰船噪声信号具有较好的分类效果.     

多变量时间序列相空间重构中参数的确定

介绍了多变量时间序列相空间重构理论.提出一种新的基于平均预测误差最小化的重构参数确定方法,阐述了该方法的算法过程及一些重要特点.此方法考虑了所有重构参数对平均预测误差的影响,能够同时确定重构系统相空间所需的恰当嵌入维数及时间延迟.最后将该方法应用于股票市场非线性动力系统的相空间重构,通过比较和分析验证了其优越性.     

Learning as a nonlinear line of attraction in a recurrent neural network

A method to embed N dimensional, multi-valued patterns into an auto-associative memory represented as a nonlinear line of attraction in a fully connected recurrent neural network is presented in this paper. The curvature of the nonlinear attractor is defined by the Kth degree polynomial line which best fits the training data in N dimensional state space. The width of the nonlinear line is then characterized by the statistical characteristics of the training patterns. Stability of the recurrent network is verified by analyzing the trajectory of the points in the state space during convergence. The performance of the network is benchmarked through the reconstruction of original gray-scale images from their corrupted versions. It is observed that the proposed method can quickly and successfully reconstruct each image with an average convergence rate of 3.10 iterations.     

分类回归树多吸引子细胞自动机分类方法及过拟合研究

基于多吸引子细胞自动机的分类方法多是二分类算法,难以克服过度拟合问题,在生成多吸引子细胞自动机时如何有效地处理多分类及过度拟合问题还缺乏可行的方法.从细胞空间角度对模式空间进行分割是一种均匀分割,难以适应空间非均匀分割的需要.将CART算法同多吸引子细胞自动机相结合构造树型结构的分类器,以解决空间的非均匀分割及过度拟合问题,并基于粒子群优化方法提出树节点的最优多吸引子细胞自动机特征矩阵的构造方法.基于该方法构造的多吸引子细胞自动机分类器能够以较少的伪穷举域比特数获得好的分类性能,减少了分类器中的空盆数量,在保证分类正确率的同时改善了过拟合问题,缩短了分类时间.实验分析证明了所提出方法的可行性和有效性.     

油水两相流流型的混沌时间序列分析

采用一种基于互信息第一极小值计算法确定了相空间重建延迟时间,用Mackey-Glass方程及Lorenz奇异吸引子数据作算例检验了该计算方法的可靠性．通过计算的混沌吸引子关联维对油水两相流流型进行了表征,结果表明对含水率为61％～91％及总流量为10～60(m^3／d)的水包油流型,油水两相流电导波动信号的关联维与含水率及总流量有着良好的相关关系,而对含水率为51％的油水两相流过渡流型,关联维随总流量呈现不规则突变,表明了混沌吸引子关联维数对油水两相流流型变化具有敏感的“指示器”特性．     

基于改进混沌分区算法的模糊信息抽取

在大数据环境下进行模糊信息挖掘抽取中受到数据之间的小扰动类间干扰的影响,导致信息抽取的特征聚类性不好。为此提出一种基于改进混沌分区算法的模糊信息抽取方法,对高维数据信息流进行分布式结构重组,以Lorenz混沌吸引子作为训练测试集进行大数据模糊信息抽取的自适应学习训练,采用相空间重构技术对大数据的混沌吸引子负载特征量进行自相关特征匹配处理,提取模糊信息的平均互信息特征量,结合关联规则模糊配对方法进行大数据混沌分区,实现模糊信息的优化聚类,根据数据聚类结果实现模糊信息准确抽取,对抽取的高维模糊信息进行特征压缩,降低计算开销。仿真结果表明,采用该方法进行大数据样本序列的模糊信息抽取的聚类性较好,抗类间扰动能力较强,模糊信息抽取的准确概率较高,在数据挖掘和特征提取中具有很好的应用价值。     

基于混沌激励与吸引子几何分析的连接损伤状态识别

工程结构在使用寿命周期内,各种环境因素会导致连接部位出现损伤,从而威胁结构的完整性和功能性,甚至诱发安全事故. 本文研究了一种利用混沌激励与吸引子几何特征进行连接损伤状态识别的方法,采用混沌振动信号激励待测结构,利用采集到的加速度响应时间序列信号进行相空间重构,并构造了一种基于吸引子局部方差计算的特征参量用于小程度连接损伤的识别,并对特征参量进行了统计分析计算. 设计了悬臂梁连接损伤识别实验,通过控制固定端螺栓的预紧力来模拟连接损伤,利用上述方法对连接的损伤状态进行了识别. 结果表明,本文方法能够有效识别连接的损伤状态,所构造的特征参量随损伤程度改变单调变化,特征参量能以一定置信度较好地区分不同的损伤水平.     

Dynamics and computation of continuous attractors

Continuous attractor is a promising model for describing the encoding of continuous stimuli in neural systems. In a continuous attractor, the stationary states of the neural system form a continuous parameter space, on which the system is neutrally stable. This property enables the neutral system to track time-varying stimuli smoothly, but it also degrades the accuracy of information retrieval, since these stationary states are easily disturbed by external noise. In this work, based on a simple model, we systematically investigate the dynamics and the computational properties of continuous attractors. In order to analyze the dynamics of a large-size network, which is otherwise extremely complicated, we develop a strategy to reduce its dimensionality by utilizing the fact that a continuous attractor can eliminate the noise components perpendicular to the attractor space very quickly. We therefore project the network dynamics onto the tangent of the attractor space and simplify it successfully as a one-dimensional Ornstein-Uhlenbeck process. Based on this simplified model, we investigate (1) the decoding error of a continuous attractor under the driving of external noisy inputs, (2) the tracking speed of a continuous attractor when external stimulus experiences abrupt changes, (3) the neural correlation structure associated with the specific dynamics of a continuous attractor, and (4) the consequence of asymmetric neural correlation on statistical population decoding. The potential implications of these results on our understanding of neural information processing are also discussed.     

Bonhoeffer-van der Pol方程的混沌控制

基于延时反馈混沌控制方法和相空间压缩法,提出了一种改进的延时控制方法,即：将空间压缩作为系统状态变量的一种约束施加到延时反馈混沌控制中．以Bonhoeffer-van der Pol系统为例,数值验证了此改进方法的有效性．结果表明：对于具有单个吸引子的混沌系统,此方法可以将混沌系统很快控制到一个期望的周期轨道上,与原始的延时反馈方法相比减少了恢复时间．对于具有多个混沌吸引子的系统,通过增加适当的相空间限制器,可以快捷地将系统稳定在嵌入于不同混沌吸引子中的期望周期轨道上．     

DMS2015-33: Generative interface structure design for supporting existing objects

Increasing availability of high quality 3D printing devices and services now enable ordinary people to create, edit and repair products for their custom needs. However, an effective use of current 3D modeling and design software is still a challenge for most novice users. In this work, we introduce a new computational method to automatically generate an organic interface structure that allows existing objects to be statically supported within a prescribed physical environment. Taking the digital model of the environment and a set of points that the generated structure should touch as an input, our biologically inspired growth algorithm automatically produces a support structure that when physically fabricated helps keep the target object in the desired position and orientation. The proposed growth algorithm uses an attractor based form generation process based on the space colonization algorithm and introduces a novel target attractor concept. Moreover, obstacle avoidance, symmetrical growth, smoothing and sketch modification techniques have been developed to adapt the nature inspired growth algorithm into a design tool that is interactive with the design space. We present the details of our technique and illustrate its use on a collection of examples from different categories.