海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构.实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果.     

海杂波背景下基于混沌理论的目标检测

根据海杂波具有混沌特性这一先验信息,利用RBF神经网络预测器的学习和对非线性函数的逼近能力,首先重构海杂波的内在动力学,然后引入一种基于预测误差的检测方法对微弱脉冲信号和矩形信号进行检测分析,最后得出了这种检测方法对微弱脉冲信号有较好的检测性能,信杂比改善可达43.3898 dB;而对矩形信号只在信号的起点和终点附近提高了检测性能,有类似的信杂比改善,中间各点检测不到信号,信杂比改善不大.     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构。实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果。     

基于DSP和混沌理论的微弱信号检测

针对混沌振子法检测微弱信号过程中大量的复杂运算问题,提出了一种基于数字信号处理器(DSP)的硬件设计方案。利用该方案可以快速地解决混沌检测中的大量运算,文中同时给出了其软件实现方法。     

混沌背景中微弱网络传输信号有效检测仿真

针对传统微弱信号检测方法存在检测准确性较低、检测时间较长等缺点,提出混沌背景中微弱网络传输信号有效检测方法。根据Wiener-Khinchine定理对信号函数计算,并经过傅里叶变换获得信号的自相关函数与其相对应的功率谱,利用周期图法分析获得微弱信号的检测原理,运用Briot-Bouquet引理进行计算,根据计算结果证明瞬态信号以及周期信号的存在,并以此为基础构建混沌背景下噪声的检测模型,从预测误差中检测出在噪声层下的微弱网络传输信号。仿真结果表明,所提方法能够快速检测出在混沌背景下的微弱信号,且检测时间较短、检测误差较低,可广泛引用在现实生活中。     

基于混沌振子的微弱信号检测方法研究

分析了During方程的基本形式以及During振子的混沌运动，阐述了基于相平面变化进行微弱信号检测的工作原理，并推导出系统发生间歇混沌现象的频差条件和相位差对于系统特性的影响。试验证明：该振子对与参考信号频差较小的周期小信号具有敏感性，对白噪声和与参考信号频差较大的干扰信号具有免疫力。     

基于混沌的微弱周期信号检测研究

分析了Duffing振子的混沌运动,通过改进Duffing方程的非线性恢复力项.构建新的微弱周期信号检测模型,仿真结果表明该模型能够实现强噪声背景下的微弱周期信号检测,具有很好的实用价值.     

基于混沌理论的微弱信号检测的DSP实现

针对数字信号处理器(DSP)系统集成度高、速度快、功耗低、适合大量数据实时处理的特点,从应用的角度研究基于混沌理论的微弱信号检测原理;深入讨论其应用于DSP的实用化,构建一个优化的以TMS320C6203为核心的真实系统,实时实现基于混沌方法的微弱信号检测。     

混沌理论微弱信号检测方法的可行性分析

论述了混沌理论微弱信号检测方法的可行性,提出了利用混沌理论检测微弱正弦周期信号的仿真模型,采用了含有78个混沌振子的阵列来检测微弱正弦信号的幅值、频率、相位,从而达到高信噪比的测量.此方法是目前信噪比门限较低的时域信号处理方法,因而具有广泛的应用前景.     

混沌振子实现微弱周期小信号的检测

通过对混沌振子Duffing方程及其检测原理的介绍,发现混沌振子对周期小信号具有敏感特性,能够在强噪声环境下实现对微弱周期小信号的检测。Matlab实验仿真和分析证明了采用混沌振子Duffing检测微弱周期小信号的可行性。     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

基于改进极限学习机的软测量建模

极限学习机（ELM）因其泛化能力好和学习速度快而成为软测量的新方法,但当应用到铝电解工艺参数建模时,ELM通常需要较多隐层节点并且泛化能力较低。针对这一问题,提出一种基于改进极限学习机（IELM）的软测量模型。首先,利用粗糙集中的约简理论剔除输入变量中的冗余或不相关属性,以降低ELM的输入复杂性;然后,利用偏相关系数对输入变量和输出变量间的相关性进行分析,将输入数据分为正输入和负输入两部分,分别对这两部分建立输入单元,重新构建ELM网络;最后,建立了基于改进极限学习机的铝电解分子比软测量模型。仿真实验结果表明,基于改进极限学习机的软测量模型具有较好的泛化能力和稳定性。     

基于改进极限学习机算法的股票价格在线预测

为了对股票价格进行准确、快速的在线预测,提出一种基于改进极限学习机算法（IELM）的股票价格在线预测模型。在极限学习机（ELM）中引入Cholesky分解方法,使网络权值随新样本的逐次加入递推更新,提高模型的泛化能力,加快网络学习效率,然后对交通银行股票（601328）的收盘价进行仿真实验。结果表明,相对于对比模型,IELM不仅提高了计算效率,而且提高了股票价格预测精度,可以实现股票价格快速、准确在线预测。     

基于不均衡样本重构的加权在线贯序极限学习机

针对现有学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出一种基于不均衡样本重构的加权在线贯序极限学习机。该算法从提取在线贯序数据的分布特性入手,主要包括离线和在线两个阶段:离线阶段主要采用主曲线构建少类样本的可信区域,并通过对该区域内样本进行过采样,来构建符合样本分布趋势的均衡样本集,进而建立初始模型;而在线阶段则对贯序到达的数据根据训练误差赋予各样本相应权重,同时动态更新网络权值。采用UCI标准数据集和澳门实测气象数据进行实验对比,结果表明,与现有在线贯序极限学习机(OS-ELM)、极限学习机(ELM)和元认知在线贯序极限学习机(MCOS-ELM)相比,所提算法对少类样本的识别能力更高,且所提算法的模型训练时间与其他三种算法相差不大。结果表明在不影响算法复杂度的情况下,所提算法能有效提高少类样本的分类精度。     

基于去噪自编码器的极限学习机

针对极限学习机算法（ELM）参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题，将去噪自编码器（DAE）与ELM算法相结合，提出了基于去噪自编码器的极限学习机算法（DAE-ELM）。首先，通过去噪自编码器产生ELM的输入数据、输入权值与隐含层参数；然后，以ELM求得隐含层输出权值，完成对分类器的训练。该算法一方面继承了DAE的优点，自动提取的特征更具代表性与鲁棒性，对于噪声有较强的抑制作用；另一方面克服了ELM参数赋值的随机性，增强了算法鲁棒性。实验结果表明，在不含噪声影响下DAE-ELM相较于ELM、PCA-ELM、SAA-2算法，其分类错误率在MNIST数据集中至少下降了5.6%，在Fashion MNIST数据集中至少下降了3.0%，在Rectangles数据集中至少下降了2.0%，在Convex数据集中至少下降了12.7%。     

基于隐特征空间的极限学习机模型选择

针对极限学习机（ELM）中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。     

基于图像超分辨极限学习机的极低分辨率人脸识别

极低分辨率图像本身包含的判别信息少且容易受到噪声的干扰,在现有的人脸识别算法下识别率较低。为了解决这一问题,提出一种基于图像超分辨率(SR)极限学习机(ELM)的人脸识别算法。首先,从样本库学习耦合的高低分辨率图像稀疏表达字典,利用高低分辨率表达系数的流形一致性重建高分辨率图像;其次,在超分辨率重建的高分辨率(HR)图像上构建ELM模型,训练获得前向神经网络的连接权值;最后,通过ELM预测输入极低人脸图像的类别属性。实验结果表明,针对于重建后的极低分辨率人脸图片,与协同表示的分类(CRC)人脸识别算法相比,所提算法将识别率分别提升了2%;同时也大幅度缩短了识别的时间。结果表明所提算法能够有效解决极低分辨率图片判决信息不足的问题,具有较好的识别能力。     

基于遗传算法和极限学习机的Fugl-Meyer量表自动评估

为实现脑卒中上肢居家康复评定的自动化和定量化,针对临床上最常用的Fugl-Meyer运动功能评定（FMA）量表,利用极限学习机（ELM）建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作,采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（Genetic Algorithm, GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。     

基于混沌理论的微弱信号检测方法

分析了间歇混沌模型———Duffing振子的混沌特性,利用Duffing振子的非平衡相变对微小信号具有敏感性及对白噪声和与参考信号频差较大的周期干扰信号具有免疫力的性质,采用混沌振子阵列实现对噪声背景下微弱信号的检测;并采用梅尔尼科夫方法作为混沌判据,该方法的优点在于可以直接进行解析计算。仿真实验表明:该检测方法简单、有效,检测的精度比较高。     

多层极限学习机在入侵检测中的应用

针对神经网络在入侵检测应用存在的维度高、数据大、获取标记样本难、特征构造难、训练难等问题,提出了一种基于深度多层极限学习机(ML-ELM)的入侵检测方法。首先,采用多层网络结构和深度学习方法抽取检测样本最高层次的抽象特征,用奇异值对入侵检测数据进行特征表达;然后,利用极限学习机(ELM)建立入侵检测数据的分类模型;其次,利用逐层的无监督学习方法解决入侵检测获取标记样本难的问题;最后采用KDD99数据集对该方法的性能进行了验证。实验结果表明:多层极限学习机的方法提高了检测正确率,检测漏报率也低至0.48%,检测速度比其他深度模型的检测方法提高了6倍以上。同时在极少标记样本的情况下仍有85%以上的正确率。通过多层网络结构的构建提高了对U2L、R2L这两类攻击的检测率。该方法集成深度学习和无监督学习的优点,能对高维度,大数据的网络记录用较少的参数得到更好的表达,在入侵检测的检测速度以及特征表达两个方面都具有优势。