本发明专利技术专利涉及一种基于消散型同步的混沌背景下微弱信号检测方法，包括如下步骤：1）获得混沌时间序列的嵌入维和时间延迟，重构混沌相空间；2）通过神经网络拟合混沌预测模型；3）利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误差；4）通过傅里叶变换等方法分析误差值判断其中是否存在微弱信号，所述步骤3）中，从中检测出微弱信号，须选择合适的参数实现时间序列与混沌系统的消散型同步，当和的误差的最小均方差达到最小值时确定同步参数K。其有益效果为：弱化了混沌对初始条件极其敏感的特性，同时考虑了微弱信号、噪声等因素对信号检测的影响，提高检测方法的实用性能。?
【技术实现步骤摘要】
本专利技术涉及微弱信号检测技术，具体涉及一种混沌背景下的微弱信号检测方法。技术背景混沌是非线性的确知系统，具有对初始条件极端敏感、短时预测等特性，被广泛的运用于医学、保密通信、水文等领域。混沌无处不在，混沌背景下的微弱信号检测、估计是目前信号处理研究的热点和难点之一。目前，混沌背景下的微弱信号检测主要依据混沌相空间重构和神经网络。首先，根据Takens嵌入定理，采用伪最近邻法、C-C法、互信息量等获得混沌时间序列的嵌入维m和时间延迟τ，重构混沌相空间；然后通过神经网络拟合混沌预测模型；最后，利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误差，通过FFT等方法分析误差值判断其中是否存在微弱信号。这类方法主要讨论了存在混沌信号和微弱信号的情况，通常只有在讨论算法有效性时加入适当的噪声，但并没有对噪声进行有具体分析，只有少量分析噪声的研究。而在实际环境中，噪声无处不在，这类算法的实用性能也大大降低。其次，这类算法采用混沌系统进行单步预测，忽略了微弱信号的影响，混沌系统对初始条件非常敏感，微弱信号的加入会对后期的运动状态产生一定程度的影响，进而影响混沌时间信号，特别是当周期信号加入到混沌时间序列中时，这种影响会更加的明显。AieeshP K等通过添加对偶同步实现了混沌背景下的微弱信号处理，首先，采用SVM结合重构相空间得到驱动系统；其次，采用混沌耦合同步获得响应系统；最后，计算两个系统的输出误差并对其进行FFT，如果存在微弱周期信号，则在对应的频率上存在一定的幅值，而其它频率处，幅值则相对较小。这种方法的优越性是在分析过程中考虑了噪声影响，方法的实用性大大提高，同时在文章中详细的描述了引入同步后算法在性能上的提高。 混沌同步一般是指两个混沌系统最终到达同步的过程，混沌对初始条件非常敏感，两个混沌系统看似不可能达到同步。但这种方法采用了两个SVM系统，加大了系统复杂度，具体的同步的方法也并没有进行选择。
技术实现思路
本专利技术目的在于在传统的基于混沌预测模型的基础上，将消散型耦合同步加入到混沌背景下的微弱信号检测方法中弱化混沌系统对初始条件敏感的特性，将混沌背景下微弱信号检测转换为噪声背景下微弱信号的检测问题，提高方法的实用性能，具体有以下技术方案实现所述基于消散型同步的混沌背景下微弱信号检测方法，包括如下步骤I)获得混沌时间序列的嵌入维m和时间延迟τ，重构混沌相空间；2)通过RBF神经网络拟合混沌预测模型；3)利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误 4)通过傅里叶变换等方法分析误差值判断其中是否存在微弱信号，所述步骤3)中，包括如下步骤A)假设存在同一混沛系统的时间序列Cn、微弱信号Sn、白噪声！^构成的混合信号 Xn,即Xn = cn+sn+ nn, Xn作为实际信号，从Xn中检测出微弱信号Sn，须选择合适的参数K实现时间序列Xn与混沌系统F(Cn)的消散型同步，如式I :权利要求1.，包括如下步骤O获得混沌时间序列的嵌入维m和时间延迟τ，重构混沌相空间；2)通过RBF神经网络拟合混沌预测模型；3)利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误差；4)通过傅里叶变换分析误差值判断其中是否存在微弱信号，其特征在于，所述步骤3)中，包括如下步骤Α)假设存在同一混沛系统的时间序列Cn、微弱信号Sn、白噪声！^构成的混合信号Xn, 即Xn = cn+sn+ nn, Xn作为实际信号，从Xn中检测出微弱信号sn，须选择合适的参数K实现时间序列Xn与混沌系统F(Cn)的消散型同步，如式I :2.根据权利要求I所述的检测方法，其特征在于，所述步骤I中依据Takens定义对纯混沌时间序列Cn进行相空间重构，选择归一化的时间延迟τ =1，嵌入维D是伪最近邻法确定的嵌入维m的2倍，即D > 2m，得到相空间Cn，如式4。Cn {cnJ cn—I，· · ·，Cn-(d-i) ^，n D,... j N I · · · · · · · · · · · · · · · *(4) 其中，T表示矩阵转置，ζη = cn, η = D+l,. . . , N,并构成训练输入输出对{cn, ζη+1}, η = D, · · ·，N-1。3.根据权利要求I所述的检测方法，其特征在于，所述步骤2中RBF神经网络的表达式如式(5)4.根据权利要求I所述的检测方法，其特征在于，所述步骤4中预测值与实际值的误差如式8，e/7·,, = xn - Cn = cn +Sn +ηη-αs + ηη...........................(8 )采用快速傅里叶变换对误差进行频谱分析，观察频谱图中是否存在突起，如果存在则说明混沌背景中存在该频谱的微弱周期信号或者主频率为该频率的微弱信号。全文摘要本专利技术专利涉及，包括如下步骤1)获得混沌时间序列的嵌入维和时间延迟，重构混沌相空间；2)通过神经网络拟合混沌预测模型；3)利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误差；4)通过傅里叶变换等方法分析误差值判断其中是否存在微弱信号，所述步骤3)中，从中检测出微弱信号，须选择合适的参数实现时间序列与混沌系统的消散型同步，当和的误差的最小均方差达到最小值时确定同步参数K。其有益效果为弱化了混沌对初始条件极其敏感的特性，同时考虑了微弱信号、噪声等因素对信号检测的影响，提高检测方法的实用性能。文档编号G01D21/00GK102914325SQ20121040098公开日2013年2月6日 申请日期2012年10月19日 优先权日2012年10月19日专利技术者行鸿彦, 龚平, 徐伟 申请人:南京信息工程大学本文档来自技高网...
【技术保护点】
一种基于消散型同步的混沌背景下微弱信号检测方法，包括如下步骤：？1）获得混沌时间序列的嵌入维m和时间延迟τ，重构混沌相空间；？2）通过RBF神经网络拟合混沌预测模型；？3）利用混沌预测模型进行单步预测，获得预测值，并计算预测值与实际值的误差；？4）通过傅里叶变换分析误差值判断其中是否存在微弱信号,？其特征在于，所述步骤3）中，包括如下步骤：？A)假设存在同一混沌系统的时间序列cn、微弱信号sn、白噪声ηn构成的混合信号xn，即xn＝cn+sn+ηn，xn作为实际信号，从xn中检测出微弱信号sn，须选择合适的参数K实现时间序列xn与混沌系统F(cn)的消散型同步，如式1：？其中，n＝D，...，N，（xn？cn）为误差量，K为同步参数，且混沌同步系统的预测输出，如式2；？B)当可以认为混沌系统与输入信号完全同步，当xn和的误差的最小均方差达到最小值，xn与的同步性最好，此时的Mse(K)就是同步参数K，如式3；？。FDA00002278950900011.jpg,FDA00002278950900012.jpg,FDA00002278950900013.jpg,FDA00002278950900014.jpg,FDA00002278950900015.jpg,FDA00002278950900016.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：行鸿彦，龚平，徐伟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。