基于小数据量混沌技术的微弱信息检测方法技术

本发明专利技术提供了一种基于小数据量混沌技术的微弱信息检测方法，构建小数据量混沌微弱信号检测系统，计算出平均时间周期，重构相空间，计算Lyapunov指数演化曲线，寻找曲线中变化平缓部分，计算最大Lyapunov指数，即可进行微弱信号的判断。本发明专利技术克服了混沌微弱信号检测系统在检测信号时需要数据量大、实时性差等问题，更加符合工程中检测微弱信号时采集的数据量低的特点，使得混沌系统不确定的相变特性变成了容易计算的定量标准，将混沌振子检测微弱所需数观测值从5000个降至500个，不但降低了混沌系统在检测微弱信号时数据量的要求，而且检测速度得到了提高。

Weak information detection method based on small amount of data chaos technology

【技术实现步骤摘要】
基于小数据量混沌技术的微弱信息检测方法
本专利技术涉及混沌信号检测
，尤其涉及基于混沌系统的微弱信息信号提取与检测范畴。
技术介绍
随着对混沌理论不断地深入研究，混沌系统广泛应用于诸多科学
自从1992年DonaldL.Birx首次对混沌振子检测微弱信号进行尝试以来，国内外很多学者投入到该领域的研究之中，使得这种检测理论得到了不断改进和发展。它主要是利用混沌系统对初值条件的极度敏感性以及对噪声极强的免疫力这一特点，当含有被噪声淹没的被检测周期信号注入混沌系统后，就可导致混沌系统的动力学行为发生很大的变化，依据这种变化，可以判断有无信号。如需做更进一步的估计，通过适当信号处理，也可测出被检信号的其他参数。混沌系统检测微弱信号的核心是判断相变。现阶段判断相变的方法主要有相图法、频谱Poincare截面法、Melnikov法、QR法等，这些方法所需观测值多，精度低，运算量大，计算复杂，带有很大的主观性，使得检测系统性能降低。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于小数据量混沌技术微弱信号检测方法，通过将混沌时间序列中小数量的Lyapunov指数算法应用到混沌微弱信号检测系统中，不但降低了混沌系统在检测微弱信号时数据量的要求，而且检测速度得到了提高。本专利技术解决其技术问题所采用的技术方案包括以下步骤：第一步构建小数据量混沌微弱信号检测系统，采用四阶龙格-库塔法求解，产生若干观测数据，形成待处理的混沌观测值，对观测值进行FFT变换，计算平均时间周期；第二步通过计算混沌数据的关联维的统计量模型，求解时间延迟与最小嵌入维，并对混沌观测值进行相空间重构；第三步将平均发散程度指数演化曲线分成若干段，采用多段拟合回归直线的方法，判断平均发散程度指数演化曲线相变前后敏感区域；最后计算平均发散程度指数演化曲线，并对相变敏感区域利用最小二乘法进行直线拟合，直线斜率即为最大Lyapunov指数，通过最大Lyapunov指数正负变化，判断信号的有无。所述的小数据量混沌微弱信号检测系统为其中，k为阻尼比，-x+x3为非线性恢复力，f为周期策动力幅值，fcos(ωt)为周期策动力，acos(ωt)为被测微弱信号，ηrandn(t)为随机噪声。所述的小数据量混沌微弱信号检测系统产生的观测数据，进行FFT变换之前去除前段设定数量的观测值。所述的平均时间周期其中，f与A分别为数据FFT变换后的频率与幅值，N为混沌观测值个数。所述的混沌观测值进行相空间重构为其中，混沌数据分为t个长度为L的不重叠的时间序列，M＝N-(m-1)t，τopt为最佳的延迟时，mopt为最佳嵌入维。所述的Lyapunov指数其中，q是非零dj(i)的数目，dj(i)为相空间中每个点与其最近邻点经i个离散时间步后的距离。本专利技术的有益效果是：克服了混沌微弱信号检测系统在检测信号时需要数据量大、实时性差等问题，更加符合工程中检测微弱信号时采集的数据量低的特点。本专利技术将时间序列分析中小数据量的Lyapunov指数算法引入了混沌振子检测系统之中，使得混沌系统不确定的相变特性变成了容易计算的定量标准，将混沌振子检测微弱所需数观测值从5000个降至500个，不但降低了混沌系统在检测微弱信号时数据量的要求，而且检测速度得到了提高。附图说明图1是本专利技术的步骤流程图。图2是本专利技术系统处于混沌状态下平均发散程度指数演化图。图3是本专利技术系统处于混沌状态时相图。图4是本专利技术系统处于大周期状态下平均发散程度指数演化图。图5是本专利技术系统处于大周期状态的相图。具体实施方式下面结合实施例对本专利技术进一步说明，本专利技术包括但不仅限于下述实施例。本专利技术可用于低信噪比下小数据量的信号检测，解决了混沌系统在检测微弱信号时所需信息多，实时性差等问题，为工程中快速实现信号都检测提供依据。如图1-图5所示，本专利技术的技术思路是：首先对混沌系统采集的目标数据进行FFT变换，计算平均时间周期，同时计算数据的时间延迟和最小嵌入维,对混沌数据进行相空间重构。然后找出相空间中每个点的最近邻点，并限制暂短分离时间大于平均时间周期，计算该点与其邻点之间的最短分离距离。其次对相空间中每个点，计算该对邻点离散时间步后的距离，求出平均发散程度指数集合，再次对平均发散指数曲线平滑端，利用最小二乘法拟合直线，直线的斜率即为Lyapunov指数，最后当被检测信号输入到混沌检测系统中，观察直线的斜率，当斜率为正值说明无信号，如果观察直线的斜率为负值是，说明有信号。本专利技术通过利用对混沌时间序列中小数量Lyapunov指数用到混沌检测系统，改善了混沌检测多目标大数据量的缺点，为混沌检测系统的工程应用鉴定了基础。其实现步骤包括如下：(1)构建小数据量混沌微弱信号检测系统；其中，acos(ωt)为被测微弱信号，ηrandn(t)为随机噪声。(2)计算出平均时间周期P；其中，f与A分别为数据FFT变换后的频率与幅值。(3)相空间重构；(4)计算Lyapunov指数演化曲线：(5)寻找y(i)曲线中变化平缓部分，计算最大Lyapunov指数；(6)微弱信号的判断。参照图1，本专利技术的实施例步骤如下：步骤1，构建小数据量混沌微弱信号检测系统，本步骤的具体实现如下：1a)选用原始混沌微弱信号检测系统：其中，参数取值分别为：k＝0.5，ω＝1，a＝0，η＝0，r＝0.823。初值x＝1，y＝0，以0.1为步长。1b)将被测信号化成周期信号形式，并输入到混沌系统后的系统，构建小数据量混沌微弱信号检测系统：其中，acos(ωt)为被测微弱信号，ηrandn(t)为随机噪声。1c)小数据量混沌微弱信号检测系统采用四阶龙格-库塔法求解，得到的数据去除其前3000个数据。步骤2，计算平均时间周期P，本步骤的具体实现如下：2a)选用混沌系统产生的数据(x，y任选一组)进行FFT变换；2b)计算混沌数据平均分离周期P。其中，f与A分别为数据FFT变换后的频率与幅值。步骤3，相空间重构，本步骤的具体实现如下：3a)将混沌数据分为t个长度L的不重叠的时间序列，计算关联积分：其中M＝N-(m-1)t，r为空间距离，θ(x)为Heaviside函数，当x≥0，θ(x)＝1否则θ(x)＝0；空间向量X(i)，X(j)之间距离为无穷范数度量。3b)计算每个子序列的统计量：3c)取S的零点或对所有半径r相互差别最小的点作为局部最大间隔。选择对应值最大和最小两个半径r，计算差量为：ΔS(m,N,t)＝max(S2(m,N,ri,t)-min(S2(m,N,rj,t))),i≠j则第一个局部极小值点对应的时间t,也是最佳的延迟时τopt。本文档来自技高网...

【技术保护点】
1.一种基于小数据量混沌技术的微弱信息检测方法，其特征在于包括下述步骤：第一步构建小数据量混沌微弱信号检测系统，采用四阶龙格-库塔法求解，产生若干观测数据，形成待处理的混沌观测值，对观测值进行FFT变换，计算平均时间周期；第二步通过计算混沌数据的关联维的统计量模型，求解时间延迟与最小嵌入维，并对混沌观测值进行相空间重构；第三步将平均发散程度指数演化曲线分成若干段，采用多段拟合回归直线的方法，判断平均发散程度指数演化曲线相变前后敏感区域；最后计算平均发散程度指数演化曲线，并对相变敏感区域利用最小二乘法进行直线拟合，直线斜率即为最大Lyapunov指数，通过最大Lyapunov指数正负变化，判断信号的有无。/n

【技术特征摘要】
20181227 CN 20181160852431.一种基于小数据量混沌技术的微弱信息检测方法，其特征在于包括下述步骤：第一步构建小数据量混沌微弱信号检测系统，采用四阶龙格-库塔法求解，产生若干观测数据，形成待处理的混沌观测值，对观测值进行FFT变换，计算平均时间周期；第二步通过计算混沌数据的关联维的统计量模型，求解时间延迟与最小嵌入维，并对混沌观测值进行相空间重构；第三步将平均发散程度指数演化曲线分成若干段，采用多段拟合回归直线的方法，判断平均发散程度指数演化曲线相变前后敏感区域；最后计算平均发散程度指数演化曲线，并对相变敏感区域利用最小二乘法进行直线拟合，直线斜率即为最大Lyapunov指数，通过最大Lyapunov指数正负变化，判断信号的有无。


2.根据权利要求1所述的基于小数据量混沌技术的微弱信息检测方法，其特征在于：所述的小数据量混沌微弱信号检测系统为



其中，k为阻尼比，-x+x3为非线性恢复力，f为周期策动力幅值，fcos(ωt)...

【专利技术属性】
技术研发人员：杨海博，韩春雷，周昆正，李琳，袁德平，
申请(专利权)人：中国电子科技集团公司第二十研究所，
类型：发明
国别省市：陕西;61