基于重采样的混沌时间序列相空间重构研究

相空间重构是混沌时间序列分析中的重要一步,本文在总的观测时间确定的情况下,研究了重采样对混沌时间序列相空间重构的影响,提出了一种确定重采样间隔的双对数图法。模型实验及初步的理论证明表明,通过选择合适的重采样间隔进行相空间重构,重构相空间的基本结构和形状不会改变,且保持了原相空间的各种重要特性。此外带来的另一优点是计算复杂度的大大降低,这为应用较短的时间序列进行相空间重构以及计算各种不变量提供了一种可行有效的方法。     

基于非线性约束的局部投影降噪

基于相空间重构理论,该文提出了一种改进的混沌时序降噪方法.首先利用递归图对实际观测的时间序列进行混沌特性分析,然后将非线性约束条件引入局部投影方法之中,并在局部邻域内进行奇异谱(SSA)分析,利用代表吸引子的主分量来重构时间序列.该算法克服了传统局部投影方法不能充分刻画系统内在非线性关系的问题,减小了重构误差,提高了系统的信噪比.通过对Lorenz模型和太阳黑子混沌时间序列进行仿真分析,证实了该文算法对实际观测混沌时序降噪的有效性.     

混沌时间序列的判定方法研究

在提取时间序列的混沌特征之前,首先要考虑该时间序列是否存在混沌.如果没有经过检验就事先假定实验数据是混沌的,直接用相空间重构理论等方法提取时间序列的特征,进而进行建模和预测,得出的结果是不可信的.围绕混沌系统可以由混沌吸引子的存在诊断,讨论了混沌时间序列的判定方法.     

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。      

基于混沌理论的煤矿监控网络流量时间序列的预测

针对目前煤矿监控网络的流量增大趋势,为了改进和提高网络的QoS质量,提出了基于混沌时间序列预测网络流量的方法.从相空间重构,用互信息量法和虚假临近点法确定了延迟时间和嵌入维数,用小数据量法求解了最大Lyapunov指数,由此证明了网络流量时间序列的混沌特性,并且建立相应模型,成功地对其做出了预测.仿真结果表明,该方法具有较高的准确度.     

基于Lyapunov指数的非线性模拟电路故障诊断方法

本文介绍一种基于计算最大Lyapunov指数的非线性模拟电路故障诊断方法，它应用混沌方法对一个变周期的多谐振荡器的输出信号进行处理，利用数据替代法生成电路故障数据，借助于小数据量法计算相应的最大Lyapunov指数，将这种混沌特性分析应用于强非线性模拟电路的故障诊断，并对混沌时间序列相空间重构中的延迟时间间隔和嵌入维数的选取方法进行了讨论；结合实例对该方法进行了计算验证。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。     

PARAMETERS DETERMINATION METHOD OF PHASE-SPACE RECONSTRUCTION BASED ON DIFFERENTIAL ENTROPY RATIO AND RBF NEURAL NETWORK简

Phase space reconstruction is the first step of recognizing the chaotic time series. On the basis of differential entropy ratio method, the embedding dimension mopt and time delay τ are op- ritual for the state space reconstruction could be determined. But they are not the optimal parameters accepted for prediction. This study proposes an improved method based on the differential entropy ratio and Radial Basis Function （RBF） neural network to estimate the embedding dimension rn and the time delay τ, which have both optimal characteristics of the state space reconstruction and the prediction. Simulating experiments of Lorenz system and Doffing system show that the original phase space could be reconstructed from the time series effectively, and both the prediction accuracy and prediction length are improved greatly.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

基于决策树算法的工业光纤网络通信故障检测系统

针对工业光纤网络通信故障检测过程繁琐、效率低的问题,设计了一种基于优化的决策树数据挖掘算法的光纤网络通信故障检测系统。系统以减少检测器重复工作和准确定位为目标,引入以决策树为核心的故障数据挖掘模块,降低了对非己空间的故障挖掘时间。将第一阶光纤网络故障分类时仅以IP地址作为参量变成第二阶分类时使用指定的网络指标为基础构建决策树,进一步提高故障检测精度。对某车辆制造企业现有的光纤网络应用结果表明,与标准决策树方法相比,该算法将精度从69.0%提升到99.9%,将误报率从3.14%降低到0.48%,优化效果明显。     

基于HTML5的混沌系统的数字化实现

为产生伪随机数字混沌序列,提出了一种新的混沌系统数字化实现方法,该方法采用HTML5技术实现连续混沌系统的离散和迭代运算;基于数字混沌序列和线性插值算法实现了混沌吸引子相图、时间序列的绘制。该方法具有跨平台使用特性、本地储存特性和渲染模式,为把混沌技术的应用植入浏览器提供了可能,该方法可应用于多平台共享的混沌信息加密、混沌演示、混沌性能测试等领域。     

基于自适应波束形成的高维数据挖掘算法

提出一种基于自适应波束形成的高维声传感器网络数据挖掘算法.进行多通道声传感器网络信号的高维信息数据采集和相空间重组,进行信号模型构建,对高维数据信息流进行子空间降维和自适应陷波器降噪滤波处理,采用自适应波束形成方法进行数据的谱峰聚焦和特征提取,实现数据准确挖掘.仿真结果表明,采用该算法进行数据挖掘的准确检测概率较高,抗干扰性能较好,波束旁瓣得到有效抑制.     

应用混沌理论对煤矿瓦斯浓度预测

利用混沌时间序列短期可以预测的特点,构建煤矿瓦斯浓度预测模型,重构煤矿瓦斯浓度相空间,采用改进的C-C算法确定相空间时延t和相空间嵌入维数m。然后在重构相空间中,运用加权一阶局域法构建煤矿瓦斯浓度的预测模型,进行煤矿瓦斯浓度预测。     

混沌时间序列的Volterra自适应预测滤波器定阶

由于Volterra自适应滤波器的阶数对预测性能有较大的影响,在实际预测中,如何确定Volterra自适应滤波器的最优阶数就成为一个关键问题,该文运用相空间重构理论,推导出了Volterra自适应滤波器的最优阶数等于混沌动力系统的最小嵌入维数,作者用六种混沌时间序列进行实验,结果表明这种定阶方法在混沌时间序列Volterra自适应预测中非常成功,该方法对噪声影响的变化,表现出较好的鲁棒性。     

自组织反馈光纤环形激光器相位调制产生强度混沌的实验研究

报道了自组织反馈光纤环形激光器中施加相位调制后产生的强度混沌现象。对自组织反馈光纤环形激光器进行稍大于阈值的泵浦,通过压电陶瓷引入相位调制;保持泵浦功率及调制电压不变,改变调制频率,得出光强随不同调制频率变化的分岔图,观察到某些特定频率区域内激光器输出进入类似混沌的状态。针对类似混沌的光强输出序列进行非线性时间序列分析,通过功率谱计算、相空间重构、关联积分计算等方法得到了多段调制频率区间内光强序列具有混沌特征的证据。初步分析产生混沌的机理得出:特定条件下施加的相位调制等同于损耗调制。     

天波超视距雷达海杂波的混沌动态特性分析

利用替代数据法对实测回波信号进行非线性检验,Cao方法进行相空间重构、Rosenstein小数据量法计算最大Lyapunov指数、改进的格拉斯伯格-庞加莱算法(GPA)计算Kolmogorov熵以及局部可预测性检验研究了高频天波雷达(OTHR)海杂波的混沌动态特性。仿真计算表明:实测的高频天波雷达海杂波吸收子具有稳定收敛的关联维数、正的最大Lyapunov指数和正的Kolmogorov熵以及具有局部可预测的特性,验证了高频雷达海杂波确实来自于一个低维混沌系统。利用方差分析初步讨论了电离层对回波混沌特性的影响,研究表明:电离层将对回波混沌特性产生显著的影响。这些结论对高频雷达目标探测和海杂波建模研究都具有重要意义。     

基于红外温度序列的电路板故障诊断研究

电路板红外温度序列包含了丰富的故障类别信息,充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此,文中提出了一种由特征提取网络(Features Extraction Network,FEN)与关系学习网络(Relationship Learning Network,RLN)并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中,FEN基于多尺度膨胀卷积(Multi-scale Dilated CNN,MDCNN)残差结构搭建,可在不增加训练参数的前提下构建多层次感受野,学习温度序列不同范围的空间特征;RLN基于嵌入长短期记忆网络的注意力机制(Long Short-Term Memory hybridized with Attention,LSTMwAtt)结构搭建,通过控制温度序列信息传递来学习特征重要性并分配权重,挖掘不同位置特征间的相关性。实验结果显示,所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN,故障诊断准确率分别达到91.15%和96.27%,可实现对电路板故障的高准确率诊断。     

基于最小二乘支持向量机的衰落信道预测算法

该文探讨了利用相空间重构和支持向量机进行衰落信道非线性预测算法。该算法基于多径衰落信道具有混沌行为,利用坐标延迟理论,重建衰落信道系数的相空间,再根据混沌吸引子的稳定性和分形性,在相空间中通过递归最小二乘支持向量机(RLS-SVM)进行预测。该算法对原始数据可以进行更平滑的处理,在噪声环境下预测的时间范围更长。对时间跨度为63.829ms的衰落系数进行了预测,仿真结果表明,在信噪比为15dB时,预测结果优于AR算法。     

粗糙集数据挖掘及其在汽轮机故障诊断中的应用

针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的汽轮机故障预报及诊断方法。将汽轮机故障历史数据首先进行模糊化及离散化处理,然后构建故障诊断决策表,以决策表作为主要工具,即“知识库”,采用粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机提供有效的故障诊断。提出了基于粗集的分类规则学习和约简算法,实现了基于粗糙集数据挖掘的汽轮机故障预报及诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。