本文關(guān)鍵詞：基于相空間重構(gòu)的混沌背景下微弱信號(hào)檢測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著對(duì)混沌學(xué)的深入研究,很多看似隨機(jī)的復(fù)雜背景信號(hào)具有混沌特性。如何有效地將混沌噪聲中的微弱目標(biāo)信號(hào)提取出來(lái),對(duì)信號(hào)的檢測(cè)具有重要意義和應(yīng)用價(jià)值。本文對(duì)相空間重構(gòu)理論進(jìn)行研究分析,利用混沌背景信號(hào)短期可預(yù)測(cè)性,建立混沌背景噪聲的單步預(yù)測(cè)模型,將淹沒(méi)在混沌背景噪聲中的微弱瞬態(tài)信號(hào)和周期信號(hào)從預(yù)測(cè)誤差中檢測(cè)出來(lái)。基于此,研究了混沌背景中微弱信號(hào)檢測(cè)的多參數(shù)組合優(yōu)化方法和回聲狀態(tài)網(wǎng)絡(luò)方法,主要研究?jī)?nèi)容如下：混沌背景中微弱信號(hào)檢測(cè)的多參數(shù)組合優(yōu)化方法研究。在基于支持向量機(jī)的混沌背景下的微弱信號(hào)檢測(cè)方面,針對(duì)傳統(tǒng)檢測(cè)方法對(duì)混沌背景下微弱信號(hào)檢測(cè)能力不足的問(wèn)題,提出了基于多參數(shù)組合優(yōu)化的微弱信號(hào)檢測(cè)方法。該方法利用相空間重構(gòu)參數(shù)和支持向量機(jī)模型參數(shù)間的相互依賴、相互制約的關(guān)系,采用遺傳算法對(duì)這兩種參數(shù)進(jìn)行組合優(yōu)化,根據(jù)得到的最優(yōu)參數(shù)值進(jìn)行建模、訓(xùn)練和預(yù)測(cè)。通過(guò)Mackey-Glass時(shí)間序列驗(yàn)證模型的準(zhǔn)確性,以Lorenz系統(tǒng)作為混沌背景噪聲進(jìn)行實(shí)驗(yàn)研究,仿真驗(yàn)證表明,本文所提方法能夠有效地將混沌背景噪聲中的微弱瞬態(tài)信號(hào)和微弱周期信號(hào)檢測(cè)出來(lái),與傳統(tǒng)的參數(shù)求取方法相比,預(yù)測(cè)精度和檢測(cè)性能均得到顯著提高�；煦绫尘爸形⑷跣盘�(hào)檢測(cè)的回聲狀態(tài)網(wǎng)絡(luò)方法研究。針對(duì)回聲狀態(tài)網(wǎng)絡(luò)參數(shù)選取困難這一問(wèn)題,仍采用具有隱含并行性和強(qiáng)大全局搜索能力的遺傳算法對(duì)其模型參數(shù)進(jìn)行優(yōu)化,經(jīng)過(guò)遺傳算法的一系列操作獲得適合數(shù)據(jù)特點(diǎn)的最優(yōu)模型參數(shù)。利用得到的最優(yōu)模型參數(shù)建立混沌背景噪聲的單步預(yù)測(cè)模型,從預(yù)測(cè)誤差中判斷混沌背景中是否存在微弱目標(biāo)信號(hào)。以Lorenz系統(tǒng)和實(shí)測(cè)的海雜波數(shù)據(jù)作為混沌背景噪聲進(jìn)行仿真實(shí)驗(yàn),仿真結(jié)果表明,本文所提方法在預(yù)測(cè)精度和訓(xùn)練速度方面均優(yōu)于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)模型,能夠有效地檢測(cè)出混沌背景噪聲中的微弱目標(biāo)信號(hào),且具有較小的預(yù)測(cè)誤差。
【關(guān)鍵詞】：微弱信號(hào)檢測(cè) 參數(shù)組合優(yōu)化 遺傳算法 支持向量機(jī) 回聲狀態(tài)網(wǎng)絡(luò)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN911.23
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-13
• 1.1 研究背景及意義8
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀8-10
• 1.3 論文研究?jī)?nèi)容10-11
• 1.4 論文組織結(jié)構(gòu)11-13
• 第二章 混沌理論和遺傳算法13-29
• 2.1 混沌理論13-25
• 2.1.1 混沌13-14
• 2.1.2 典型的混沌系統(tǒng)14-17
• 2.1.3 混沌特征量17-21
• 2.1.4 相空間重構(gòu)理論21-25
• 2.2 遺傳算法25-28
• 2.3 本章小結(jié)28-29
• 第三章 基于多參數(shù)組合優(yōu)化的微弱信號(hào)檢測(cè)方法29-40
• 3.1 支持向量機(jī)29-30
• 3.2 基于多參數(shù)組合優(yōu)化的微弱信號(hào)檢測(cè)方法30-31
• 3.3 實(shí)例仿真與分析31-39
• 3.3.1 影響模型預(yù)測(cè)性能的參數(shù)分析及組合優(yōu)化方法的驗(yàn)證31-34
• 3.3.2 混沌背景中微弱信號(hào)檢測(cè)實(shí)驗(yàn)34-39
• 3.4 本章小結(jié)39-40
• 第四章 混沌背景中微弱信號(hào)檢測(cè)的回聲狀態(tài)網(wǎng)絡(luò)方法40-57
• 4.1 基于回聲狀態(tài)網(wǎng)絡(luò)的直接預(yù)測(cè)方法40-43
• 4.1.1 回聲狀態(tài)網(wǎng)絡(luò)結(jié)構(gòu)40-41
• 4.1.2 基于回聲狀態(tài)網(wǎng)絡(luò)的混沌時(shí)間序列直接預(yù)測(cè)方法41-43
• 4.2 ESN模型參數(shù)分析43-44
• 4.3 基于GA-ESN的微弱信號(hào)檢測(cè)方法44-45
• 4.4 仿真實(shí)驗(yàn)45-55
• 4.4.1 微弱瞬態(tài)信號(hào)和周期信號(hào)檢測(cè)45-50
• 4.4.2 海雜波背景下微弱信號(hào)檢測(cè)50-55
• 4.5 本章小結(jié)55-57
• 第五章 總結(jié)與展望57-59
• 5.1 總結(jié)57
• 5.2 展望57-59
• 致謝59-60
• 參考文獻(xiàn)60-65
• 攻讀碩士學(xué)位期間發(fā)表論文情況65
• 攻讀碩士學(xué)位期間參與項(xiàng)目情況65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王卓群;孫志國(guó);;一種小波分解回聲狀態(tài)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)方法[J];電子測(cè)量與儀器學(xué)報(bào);2010年10期

2 何建華,楊宗凱,王殊;基于混沌和神經(jīng)網(wǎng)絡(luò)的弱信號(hào)探測(cè)[J];電子學(xué)報(bào);1998年10期

3 彭宇;王建民;彭喜元;;基于回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法研究[J];電子學(xué)報(bào);2010年S1期

4 彭宇;王建民;彭喜元;;模糊回聲狀態(tài)網(wǎng)絡(luò)[J];電子學(xué)報(bào);2011年07期

5 雷曉義;曹柳林;余晉;;回聲狀態(tài)網(wǎng)絡(luò)的遞推訓(xùn)練算法[J];北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

6 向昌盛;周子英;;基于支持向量機(jī)的混沌時(shí)間序列預(yù)測(cè)[J];吉首大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年06期

7 楊平;鄭金華;;遺傳選擇算子的比較與研究[J];計(jì)算機(jī)工程與應(yīng)用;2007年15期

8 史志偉;韓敏;;ESN嶺回歸學(xué)習(xí)算法及混沌時(shí)間序列預(yù)測(cè)[J];控制與決策;2007年03期

9 李占英;王科俊;梅彥平;徐亮;;基于回聲狀態(tài)網(wǎng)絡(luò)的船舶橫搖運(yùn)動(dòng)預(yù)報(bào)[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

10 張家樹,肖先賜;混沌時(shí)間序列的Volterra自適應(yīng)預(yù)測(cè)[J];物理學(xué)報(bào);2000年03期

  本文關(guān)鍵詞：基于相空間重構(gòu)的混沌背景下微弱信號(hào)檢測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：335562