基于混沌理论的微弱信号检测

基于Matlab／Simtdink软件平台,研究了微弱信号的混沌检测原理与方法,建立了仿真模型,给出强噪声中微弱周期信号检测的仿真结果以及混沌方法检测微弱信号的步骤。仿真结果表明,Duffing振子对与参考信号频率差较小的周期信号敏感,对白噪声和频差较大的周期干扰信号具有免疫力,该振子应用于实际微弱信号的检测具有可行性,为混沌虚拟仪器开发打下了基础。     

基于LabVIEW的混沌微弱信号检测系统设计

为实现微弱正弦信号的检测及后续信号处理,提出了基于LabVIEW搭建的混沌微弱信号检测系统,利用LabVIEW良好的外部接口能力,设计具有一定的实用价值。通过采用Lyapunov指数法进行微弱正弦信号的检测,检测结果证明了该方案的可行性。     

基于稀疏分解和混沌理论的微弱信号检测

针对数字锁定放大器中稀疏分解算法检测精度受限的缺点,结合非线性方法进行补偿,采用混沌检测联合稀疏分解的算法设计了数字锁定放大器。数字锁定放大器借助稀疏分解算法估计信号参数,根据估计得到的参数设计对应混沌系统;利用混沌系统检测信号的过程中产生间歇性混沌状态,并通过测量间歇性混沌状态的周期,精确检测信号。最终,在信号的信噪比低至-20 dB时可以成功检测信号,频率精度达到0.05 Hz,提供了一种非线性微弱信号检测方法。     

基于Duffing振子的微弱信号混沌检测

分析了Duffing振子的混沌特性,给出了确定系统混沌阈值的Melnikov方法.在阐述了基于相平面变化进行微弱信号检测原理后,在混沌检测中噪声对系统状态的影响也进行了研究.仿真结果表明,Duffing振子对与参考信号频率差较小的周期信号敏感,对白噪声和频差较大的周期干扰信号具有免疫力,该振子应用于实际微弱信号的检测具有可行性.     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

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。      

基于Duffing混沌振子的微弱信号检测研究

传统的微弱信号检测方法在检测信噪比很低的信号时效果很差,而Duffing振子混沌系统由于具备对初值敏感、对噪声具有较好的抵抗力等优点,因此在检测微弱信号能够表现出良好的检测效果。分析了Duffing方程的基本形式和动力学演化过程,阐述了基于相平面变化进行微弱信号检测的工作原理。提出了一种准确确定相变阈值的方法,讨论了高斯白噪声对阈值的影响。按照提出的检测步骤,应用MATLAB软件进行仿真,仿真结果表明可以检测出的微弱信号的信噪比能达到-130 dB。     

基于混沌与高阶累积量的微弱信号检测

针对微弱信号幅值很小,常被噪声淹没,而传统去噪方法效果并不理想,研究基于混沌与高阶累积量的微弱正弦信号检测方法,建立仿真模型,并将最大李雅普诺夫Lyapunov指教作为判断混沌系统相变的量化依据,自动识别混沌系统的临界状态,从而准确确定系统的策动力临界阈值.仿真实验表明该方法能有效检测出淹没在高斯噪声中的微弱正弦信号,检测信噪比为-37 dB时,幅度检测相对误差为1.9%.该方法幅度检测门限低,具有广泛应用前景.     

基于混沌与高阶累积量的微弱信号检测

针对微弱信号幅值很小,常被噪声淹没,而传统去噪方法效果并不理想,研究基于混沌与高阶累积量的微弱正弦信号检测方法,建立仿真模型,并将最大李雅普诺夫Lyapunov指数作为判断混沌系统相变的量化依据．自动识别混沌系统的临界状态,从而准确确定系统的策动力临界闽值。仿真实验表明该方法能有效检测出淹没在高斯噪声中的微弱正弦信号,检测信噪比为-37dB时,幅度检测相对误差为1．9％。该方法幅度检测门限低,具有广泛应用前景。     

微弱正弦信号幅值混沌检测的一种改进方案

本文根据混沌系统在特定状态下对参数的敏感性,提出了一种检测微弱正弦信号幅值的改进方案.该方案采用线性最小二乘方法找到了待测微弱信号幅值与混沌动力系统特征指数之间的关系,给出了弱信号幅值的估计式.理论与数值仿真实验表明该方案的估计精度较高,计算量小,易于工程实现.     

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。     

复杂环境下弱信号红外探测系统灵敏度需求及实现方法研究

针对真实环境条件下远距离对红外弱信号目标的成像探测任务,首先需结合中波及长波红外所选探测谱段分析各类复杂气象条件下大气传输对信号的衰减效应,提出红外系统在复杂环境下有效实现对弱信号目标远距离成像探测的灵敏度需求为系统噪声等效温差(NETD)达到5 mK;然后分析中波及长波红外系统NETD实现5 mK的技术难度,最后选用像素级数字化积分体制实现了甚高灵敏度的中波及长波红外系统并进行了NETD测试和成像探测试验。     

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。     

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。     

基于随机共振的微弱信号检测

介绍随机共振(SR)方法的基本思想,并建立数学模型。随机共振系统是非线性双稳态系统,存在某一最佳输入噪声强度,使系统产生最高信噪比输出,达到抑制噪声,放大微弱信号的目的。针对传统系统随机共振只适用于极低频信号的局限,本文引入尺度变换,消除了对待检信号频率的限制,通过Matlab仿真,验证了其对微弱信号检测的有效性。     

基于ARM的微弱信号采集系统的设计

为提取噪声背景下的微弱信号,提出了一种硬件与软件相结合的实现方案。采用仪表放大技术和单片机控制技术相结合对数据进行检测和处理。该系统优化硬件调理电路设计,保证采集数据的精度要求。利用ARM实现基于数字相关的算法,改善信噪比,有效恢复淹没于强背景噪声中的微弱信号。最后通过对模拟低频微弱电流信号的检测实验,充分显示了该系统在微弱信号检测方面的实用性和有效性。     

一种基于FPGA弱信号混沌测量方法

提出了一种基于FPGA弱信号混沌测量方法,利用FPGA可在线编程的优点仿真出电子开关和运算速度快的优点对峰值点进行处理,解决了传统混沌测量方法因为频繁通断电子开关引起强噪声而测量误差大的问题。测试结果表明和传统的测量方法相比具有误差小和线性度好的优点,具有很好的应用空间和市场价值。     

基于随机共振电路模拟的微弱周期信号检测

采用电路模拟非线性Duffing振子，利用其随机共振机制来检测微弱周期信号。针对随机共振只适用于极低频输入信号的限制，引入一种适当的变量变换可以将高频信号转化成符合随机共振理论要求的低频信号进行处理，增强了该方法在工程应用中的可行性。采用电路模拟方法检测微弱周期信号，不需要象随机共振数值仿真所要求的那样对信号过采样，在满足采样定理的条件下，可以取较小的采样频率，降低了对硬件的要求。实验表明，该方法能有效地从强背景噪声中检测出微弱周期信号，在机械系统故障早期检测、化学谱信号提取、多传感器测量等领域有实际应用价值。     

基于随机共振的微弱信号检测研究

微弱信号是淹没在噪声中的小信号,且一般其信噪比比较低。微弱信号的检测在物理、电子和生物医学方面都具有重要的意义。依据随机共振理论,噪声在一定的条件下有利于微弱信号的检测。研究了随机共振的原理、双稳态系统中的随机共振现象及随机共振的应用研究现状。