系统参数估计的混沌方法

采用非线性方法，它以不稳定、非平衡、无序、不确定和非一致为特征。阐述了混沌系统的实现，介绍了参数估计的混沌方法。放弃了测量大量数据的做法，而是比较两条运动轨道的弯曲状态来实现估计。最后给出了二阶系统和三阶系统的仿真结果。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

非线性动态系统优化与参数估计集成的神经网络算法

基于动态系统优化与参数估计集成的迭代算法，提出一个求解系统优化的神经网络方法，得到一种动态系统优化与参数估计集成的神经网络算法，该算法通过重复求解参数估计问题和悠神经网络，获得原问题的精确最优解，由于系统优化问题用神经网络求解，因此该算法具有求解速度快，易于硬件实现等优点，特别适用于在线优化与控制。     

基于神经网络的混沌加密算法

首先用神经网络来训练已知混沌序列,并利用该模型产生的非线性序列实现了明文、密文之间的转换,该算法的优点之一是神经网络（NN）隐式混沌映射关系使直接获取映射关系变得困难,经理论分析选择了较好的神经网络学习方法,实验进一步表明,该算法产生的序列随机性、抗破译性能良好;加密弹性大,可扩展性好;加密速度快。     

基于神经网络的系统优化与参数估计集成研究（ISOPE）方法

提出了两种基于神经网络改进的系统优化与参数估计集成稳态优化算法，其中利用动态信息建立动态ＮＮ模型用于过程稳态优化。目的是为了克服ＩＳＯＰＥ算法对真实过程的摄动，减少ＩＳＯＰＥ算法设定点变动次数，充分利用过程动态信息，仿真结果验证了两种改进算法的优越性和有效性。     

混沌粒子群优化神经网络算法应用于SRG建模

粒子群算法是解决非线性、不可微问题的一种优秀算法。利用混沌映射的随机性与遍历性,引入防早熟机制,加强了粒子群的全局搜索能力,但该算法仍然容易在进化后期出现速度变慢现象。BP神经网络具有很强的非线性处理能力和逼近能力,但BP算法是基于梯度下降的方法,存在容易陷入局部最优及初值敏感的缺点。将两种算法优势互补,构建了一种混沌粒子群优化BP神经网络（CPSO-BPNN）的算法。该算法应用到开关磁阻发电机（SRG）的非线性建模中,建模效果表明CPSO-BPNN算法的泛化能力很强,可以比较完美地表达开关磁阻发电机的磁链和转矩特性。     

混沌系统的神经网络预测控制

提出一种基于预测控制的神经网络控制方法，将模型未知时的混沌运动控制到不稳定的不动点（UFP）处，该控制系统不需要UFP的位置及其局性态等知识，它包括观测器、带反馈校正的神经网络在预测器和在线训练的神经网络控制器，其方法简便，收敛速度比现有同类方法快得多，同时还分析了控制系统的稳定性，并证明了神经网络控制器的收敛性，理论推导和仿真结果都表明了该方法的有效性。     

基于神经网络和混沌特征选择的短期负荷预测方法

在激烈竞争的电力市场中,短期负荷预测(Short-term Load Forecasting,STLF)是电力系统高效运行的主要研究热点.针对具有高度波动性非线性信号的电力负载,提出了一种基于神经网络和混沌智能特征选择的预测方法,通过选择最佳候选输入集作为特征参数,将其作为预测输入数据.预测引擎采用一种多层感知层,具有...     

离散神经网络中的变复制脉冲方法控制混沌研究

本文研究一类离散神经网络中的混沌及控制混沌问题,对一类神经元对中的混沌给出春吸收域划分的规律,研究了周期比例脉冲方法（ＧＭ方法）控制混沌的离散神经网络中的应用,提出了一种改进的控制方法,即变辐值脉冲方法,数值实验证明,此ＧＭ方法有明显的优点。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于人工蜂群算法的混沌系统参数估计

为了更准确的估计混沌系统的未知参数,提出了一种基于人工蜂群算法的混沌系统参数辨识方法,该方法将混沌系统中参数估计转化为多维变量的函数优化问题,利用搜索方程对多维空间变量进行充分搜索,通过优化人工蜂群算法计算估计值与真值之间的均方差,从而估计出混沌系统的参数.Lorenz混沌系统的参数辨识仿真实验结果表明了该方法的可行性...     

改进多种群差分进化算法的混沌系统参数估计

针对混沌系统参数估计的多峰寻优问题,提出一种改进的多种群差分进化算法。改进差分进化算法的变异操作,使其前期更适合全局性搜索,利用α核心集对当前种群进行聚类,分别对聚类后的子群选用贪婪的差分变异算子完成深度搜索,比较所选取各子群的最优值,得到全局最优值作为是否结束搜索的判断依据,并将其应用到混沌系统参数估计中。实验结果表明,该算法对于多峰值、大空间的全局性参数估计在收敛速度、精度上优于混合量子进化算法、改进粒子群优化算法以及DE/best/2算法。     

一种新的非线性回归模型参数估计算法

提出一种新的基于混合基因算法（HGA）的非线性回归模型参数估计算法,新算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了传统算法通用性差、易陷入局部极小的问题,实验验证了算法的通用性和有效性。     

强混沌噪声下的正弦频率估计方法

提出一种强混沌噪声下的正弦频率估计方法,使采样混合信号（混沌正弦信号）通过某一类型滤波器,利用滤波后的信号驱动一个新构建的同类响应混沌系统,若混沌同步发生,则说明在驱动响应信号的误差序列中含有大量正弦成分,且误差中正弦信噪比大大提高,从而可以较容易地估计正弦频率。仿真实验结果表明,该方法是有效可行的。     

前向神经网络参数估计中的进化规划

人工神经网络在很多领域有着成功的应用。神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解。进化规划是一种随机优化技术,它可以发现全局最优解。文章介绍了进化规划在前向多层神经网络参数估计中的应用,结合具体例子给出了算法实现的具体操作步骤和实验结果。实验数据表明采用进化规划得到的网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

图像中广义高斯噪声形状参数的近似估计

针对图像中广义高斯噪声的形状参数p通常为未知的问题,提出一种用于计算p的近似矩估计算法。从原图像中提取噪声样本,采用分段函数对p的比率函数进行数值拟合,从而得到p的近似表达式。实验结果表明,当噪声样本值准确时,p的估计值能精确到小数点后2位,尤其适用于均匀噪声的情况,估计误差比传统算法小0.3;当噪声样本值不准确时,估计精度与门限K的选择有关。     

基于CNN噪声分离模型的噪声水平估计算法

现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明：所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

基于直方图统计信息的斑点噪声参数盲估计

以常见的斑点噪声为研究对象提出一种简单、快速的图像斑点噪声参数盲估计方法。该方法通过在仿真图像中加入不同强度的斑点噪声,分析含噪图像均匀区域内直方图分布特点,构造反映图像斑噪强度的噪声特征值,建立噪声强度与噪声特征值之间映射函数。实验结果显示,该函数不需要任何先验知识即可快速、有效地估计图像中的斑噪强度,可用于估计图像获取或传输时的噪声环境、分析斑点噪声强度与图像质量优劣的关系、指导及修改现有抑噪算法设计。     

参数估计的Systolic算法

本文根据最小二乘原理在三角形Ｓｙｓｔｏｌｉｃ阵列上实现了单输入单输出系统的递推参数估计算法，首先利用矩阵的三角分解给出了待估参数及协方差阵的递推公式，然后利用正交平面旋转并结合三角形Ｓｙｓｔｏｌｉｃ阵列的特点给出了相应的Ｓｙｓｔｏｌｉｃ递推参数估计算法，最后还考虑了算法实现时的性能指标，其后是一些数值仿真结果，由于文中利用了正交平面旋转，因而所得算法是数值稳定的。