下载文档原格式
基于混沌和神经网络的微弱信号检测方法的开题报
告
一、研究背景
微弱信号检测是一项重要的技术，如在生物医学领域中心电信号检测、脑电图信号检测等，均需要通过对微弱信号的检测来实现其相关研究。
传统的微弱信号检测方法通常需要大量的前期处理和算法设计，且对噪声、干扰等问题的处理较为困难。
基于混沌和神经网络的微弱信号检测方法可以很好地解决这些问题，从而提高微弱信号检测的准确率和鲁棒性。
二、研究目的
本研究旨在探究基于混沌和神经网络的微弱信号检测算法，建立混沌神经网络模型，实现对微弱信号的检测，并对模型进行优化，提高检测准确率和鲁棒性。
三、研究内容
1.研究混沌理论和神经网络理论，建立混沌神经网络模型。
2.将微弱信号特征提取后，作为混沌神经网络的输入，构建混沌神经网络模型，实现微弱信号检测。
3.优化混沌神经网络模型，提高检测准确率和鲁棒性，如引入遗传算法等智能算法进行网络参数优化。
四、研究方法
本研究将采用如下方法：
1. 文献调研法：阅读相关文献，掌握传统微弱信号检测方法以及基于混沌和神经网络的微弱信号检测方法的研究进展。
2. 理论研究法：研究混沌理论、神经网络理论以及遗传算法等智能算法，并结合混沌神经网络模型，构建微弱信号检测模型。
3. 数值模拟法：利用MATLAB等数值模拟软件，对建立的混沌神经网络模型进行抽样仿真实验，评估检测准确率和鲁棒性。
四、预期成果
本研究预期能够建立基于混沌和神经网络的微弱信号检测算法，完成混沌神经网络模型的构建，并实现对微弱信号的检测。
优化后的混沌神经网络模型预计能够提高微弱信号检测的准确率和鲁棒性。
基于混沌理论的微弱信号检测的开题报告一、研究背景和意义微小信号的检测是目前很多领域都需要解决的问题，如医学、通信、环境监测等。
这些微小信号往往包含有重要的信息，但其弱度却使得其极难被检测到。
为了有效地检测出这些微小信号，计算机科学家们借鉴了混沌理论的思想，提出了基于混沌理论的微弱信号检测方法。
该方法不仅能够提高信号的检测灵敏度，同时还具有较好的抗噪性能，更加适用于复杂的非线性系统，并且具有较好的实时性质。
二、研究内容和方法本项目将从以下几个方面开展研究：1）混沌信号产生与特性分析本部分将以Lorenz系统为例，对该混沌系统进行建模，并研究其信号产生机理和特性分析。
同时，还将探讨非线性系统中混沌信号的产生机制，以及混沌信号与非混沌信号的区别。
2）基于混沌理论的微弱信号检测方法研究本部分将着重探讨基于混沌理论的微弱信号检测方法，包括卡尔曼滤波、小波变换、时频分析等方法。
通过分析算法的实现步骤和性能评估，以期获取最优的算法实现方式，提高信号的检测灵敏度和抗噪性能。
3）仿真与实验验证本部分将通过仿真和实验的方式，验证所提出的基于混沌理论的微弱信号检测方法在不同噪声环境下的实际效果。
同时，还将探究该方法在医学、通信、环境监测等不同领域的应用场景。
三、预期目标和成果本项目预期达到如下目标和成果：1）探索混沌系统中信号产生机制，并研究混沌信号的特性。
2）提出一种基于混沌理论的微弱信号检测方法，并深入分析其算法实现步骤和性能评估。
3）通过仿真和实验验证，实现基于混沌理论的微弱信号检测方法的应用，并探究其在不同领域的应用场景。
四、进度安排和预算本项目的进度安排如下：第一年：混沌信号与非线性动力学的学习与研究，深入研究基于混沌理论的微弱信号检测方法的算法实现细节，初步探究仿真和实验验证的可行性。
第二年：对复杂非线性系统中混沌信号的特性进行分析，并进一步完善基于混沌理论的微弱信号检测方法，同时开展仿真实验与验证。
第三年：进一步完善研究结果，并就研究结果的应用进行深入分析，将所得结果应用于通信系统、医学信号处理、环境监测等领域。
混沌时间序列预测及其微弱目标信号检测方法研究的开题报告一、研究背景和意义在现实问题中，很多信号呈现出一种非常特殊的形态，即混沌信号。
混沌信号是在确定性系统中表现出随机性、不确定性和不可预测性的一种信号，其具有高度复杂性和自相似性等特点。
由于混沌信号的不可预测性和特殊性质，混沌时间序列的预测和微弱目标信号检测一直是一个热门的研究领域。
混沌时间序列预测是指在已知混沌时间序列的前提下，通过一定的数学模型或者算法，预测未来一段时间的混沌时间序列。
其在金融、航天、物理学、生物学等领域中都有广泛的应用。
微弱目标信号检测则是在混沌信号的背景下，通过分离去除噪声和混沌信号，检测微弱目标信号。
其在军事、航天、海洋等领域有着非常重要的应用。
因此，对于混沌时间序列预测和微弱目标信号检测的研究，不仅拓宽了我们对混沌系统的认识，而且为实际问题的解决提供了理论和方法支持。
二、研究目的和内容本研究旨在探究混沌时间序列预测以及微弱目标信号检测方法，具体研究内容如下：1. 对混沌时间序列预测的相关算法进行综述，包括传统的ARIMA模型、神经网络模型以及各种具有针对性的混沌时间序列预测算法，并分析各种算法的优缺点。
2. 对于多元混沌时间序列问题，研究基于多元线性回归模型的混沌时间序列预测算法，并探究该算法的可行性和有效性。
3. 探究混沌系统中微弱目标信号的检测方法，通过滤波、降噪等方法对混沌时间序列进行预处理，分析各种方法的适用性并提出改进措施。
4. 将研究成果应用到实际问题中，通过选择具有代表性的混沌时间序列，验证所提出的混沌时间序列预测算法和微弱目标信号检测方法的可行性和有效性。
三、研究方法和技术路线本研究采用文献综述、理论分析和数值模拟相结合的方法，具体的技术路线如下：1. 对混沌时间序列预测的相关算法进行文献综述和理论分析，包括传统的ARIMA模型、神经网络模型以及各种具有针对性的混沌时间序列预测算法。
2. 研究基于多元线性回归模型的混沌时间序列预测算法，构建适用于多元混沌时间序列的数学模型，并对该算法进行数值模拟，验证其可行性和有效性。
基于遗传RBF网络的混沌背景微弱信号检测方法
徐炜;臧小刚;唐斌
【期刊名称】《信息技术》
【年(卷),期】2006(30)12
【摘要】弱信号检测问题是目标检测中的一个重要研究内容.利用背景信号为混沌信号这一先验知识,采用径向基函数神经网络(RBFNN)建立混沌背景的一步预测模型,RBF网络利用遗传算法训练,最后,设计了门限滤波器,得到感兴趣的信号.仿真结果表明,在非线性程度很高的情况下,通过与其它几种训练RBF网络算法的比较,利用遗传算法训练的RBF网络具有最高的检测精度,并且训练得到的网络的复杂程度最低.
【总页数】4页(P73-75,79)
【作者】徐炜;臧小刚;唐斌
【作者单位】上海交通大学电子工程系,上海,200030;上海交通大学电子工程系,上海,200030;上海交通大学电子工程系,上海,200030
【正文语种】中文
【中图分类】TP183
【相关文献】
1.混沌背景中微弱信号检测的回声状态网络方法 [J], 郑红利;行鸿彦;徐伟
2.基于有效K均值-有效极限学习机的混沌海杂波背景中微弱信号检测 [J], 商庆健;张金敏;王厅长
3.基于改进型Duffing混沌方程的微弱信号检测方法 [J],
4.RBF神经网络混沌背景下微弱信号检测方法研究 [J], 唐宏
5.基于遗传算法优化RBF网络的预测混沌时间序列 [J], 董钧祥;李勤
因版权原因，仅展示原文概要，查看原文内容请购买。
基于混沌理论的微弱信号检测原理及其在金属探测器中的应用研究的开题报告一、研究背景及意义随着现代科技的不断进步，对于微弱信号检测技术的需求也日益增加。
在各个领域中，像金属探测、生物医学探测、地震预测等等，都需要对微弱信号进行准确的检测和识别。
现有常规的信号检测方法大多是基于噪声的统计特性进行分析，不仅需要大样本的数据统计，而且精度容易受到外界噪声信号的影响。
因此，为了实现更加精确和可靠的微弱信号检测，混沌理论应运而生。
混沌信号具有复杂和随机的特性，其能量分布广泛且强度较为均匀，对于微弱信号的检测和识别有非常好的优势。
因此，基于混沌理论的微弱信号检测方法在实际应用中有着广泛的应用前景。
本研究旨在探究基于混沌理论的微弱信号检测原理，并将其应用于金属探测器中，实现对于微弱金属信号的精确检测，为金属探测技术的进一步提升提供技术支持。
二、研究内容与目标（1）研究混沌理论基本原理及其在微弱信号检测中的应用；（2）构建金属探测器系统，并进行测试验证；（3）研究混沌信号检测在金属探测器中的检测效果，对比常规方法的差异；（4）分析研究结果，提出进一步的优化方案。
三、研究方法与技术路线（1）通过文献调研，深入了解混沌理论及其在微弱信号检测中的应用；（2）设计并构建金属探测器系统；（3）进行实验测试，获取金属信号数据；（4）基于混沌理论进行数据处理，实现微弱信号检测；（5）对比常规方法与混沌方法的检测效果；（6）分析研究结果，并提出进一步的优化方案。
四、预期研究成果（1）深入了解混沌理论及其在微弱信号检测中的应用；（2）构建金属探测器系统，实现对于微弱金属信号的精确检测；（3）对比分析混沌方法与常规方法的差异，探究混沌方法在微弱信号检测中的优势；（4）提出进一步的优化方案，为微弱信号检测技术的进一步提升提供技术支持。
五、进度计划（1）第一季度：学习混沌理论原理及其应用，完成文献调研，确定研究思路；（2）第二季度：构建金属探测器系统，进行测试实验，获取金属信号数据；（3）第三季度：基于混沌理论进行数据处理，实现微弱信号检测，与常规方法进行对比分析；（4）第四季度：完成研究报告撰写，并提出进一步优化方案。
第36卷第1期计算机仿真2019年1月文章编号：1006-9348(2019)01-0466-04混沌背景下无线网络微弱信号自动检测仿真张志刚I,张志勇2(1.长春大学旅游学院，吉林长春130607；2.长春师范大学计算机科学与技术学院，吉林长春130031)摘要：当前信号检测模型在进行网络微弱信号检测过程中，检测结果存在信号频率分辨较低、误码率相对较高等问题，针对上述问题，提出一种基于经验模态分解的无线网络微弱信号检测模型。
采用经验模态分解法对采集到的无线网络观测信号进行分解,对分解获得的多个包含原始信号局部特征的模态分量进行相空间重组，以重组结果构建微弱信号的预测检验模型。
将高斯核函数融合于加权最小二乘法,进一步减小模型误差，求解岀模型参数。
利用模型参数估计信号预测值并计算预测误差,从模型预测误差中检验观测信号中是否含有微弱信号。
仿真证明，所提模型对信号频率的分辨率相对较高，检测性能优于对比模型。
关键词:无线网络;微弱信号;信号检测中图分类号:TP393文献标识码：BWireless Network Weak Signal Automatic DetectionSimulation in Chaotic BackgroundZHANG Zhi-gang1,ZHANG Zhi-yong2(1.Tourism College,Changchun University,Changchun Jilin130607,China；2.College of Computer Science and Technogy,Changchun Normal University,Changchun Jilin130031,China)ABSTRACT:A weak signal detection model in wireless network based on empirical mode decomposition was presented.Firstly,the empirical mode decomposition method was used to decompose collected wireless network observation signals and modal components including local features of original signals were recombined in phase space.Moreover, recombination results were used to build the model of predicting and testing weak signal.In addition,Gaussian kernel function was integrated into the weighted least squares method so as to reduce model error and obtain model parameters.Finally,the model parameters were used to estimate the signal prediction value and calculate the prediction error.Thus,the model prediction error was used to check whether the observation signal contained weak signals.Simulation proves that the proposed model has a relatively high resolution for signal frequency.Meanwhile,the detection performance is better than that of contrast model.KEYWORDS:Wireless network；Weak signal；Signal detection1引言随着科技的进步，以及计算机等通信行业的发展，网络成为了人们日常生活与工作中必不可少的一部分⑴。
混沌背景中的微弱信号检测的开题报告1.背景介绍混沌现象是指一种非线性、随机且具有动态演化的复杂系统。
在现实生活中，许多系统存在着混沌现象，如经济、流体、气象等领域。
混沌现象的复杂性和不可预测性使得它具有广泛的应用前景，但同时也给信号检测带来了很大的挑战。
因为混沌系统中存在着多种不同频率、不同振幅和相位的存在，会导致信号的混叠和模糊，使得信号检测变得十分困难。
在混沌背景中，微弱信号检测是一项十分重要的任务。
例如，在医学上，我们需要通过检测微弱的信号来诊断传统方法无法检测到的疾病。
在无线通信、雷达和声波信号处理等领域中，也需要检测微弱的信号。
因此，如何检测混沌背景中的微弱信号是一个具有挑战性的研究问题。
2.研究内容本文的研究内容是混沌背景中的微弱信号检测。
具体来说，我们将探讨基于小波分析和时间-频率分析等方法来检测微弱信号的可行性和优越性，并通过数值仿真和实验验证来评估这些方法的性能。
在研究中，我们首先将建立混沌系统的混沌模型，以便于混沌信号的生成和分析。
然后，我们将分别采用小波分析和时间-频率分析方法来检测混沌背景中的微弱信号。
其中，小波分析方法是一种利用小波变换进行信号分析和处理的方法；时间-频率分析方法是一种将信号分解成瞬时频率不同的时变频谱信号的方法。
我们将比较这两种方法在混沌背景中检测微弱信号的效果，并探究它们的优化方法。
3.研究意义微弱信号检测在许多领域都具有十分重要的应用，同时混沌系统中混沌信号的随机性和不规律性使得信号检测变得更具有挑战性。
因此，深入研究混沌背景中微弱信号检测的方式和方法，可以提高微弱信号检测的精度和鲁棒性。
此外，本研究还具有一定的理论意义，可以为信号处理和控制领域的混沌现象提供新的方法和思路。
基于特定混沌系统的混沌特性分析及其微弱信号检测的研究的开题报告题目：基于特定混沌系统的混沌特性分析及其微弱信号检测的研究1. 研究背景随着科技的不断发展，混沌现象越来越引起学术界和工业界的重视，混沌现象在信号处理、天气预报、密码学等领域有广泛的应用。
其中，混沌信号的发现和分析是混沌现象中一个非常重要的问题。
然而，由于混沌信号的特殊性质，使得其与噪声信号非常相似，因此如何准确地检测和分析混沌信号一直是研究的热点之一。
2. 研究目的本研究的主要目的是通过对特定混沌系统的混沌特性分析，开发出对微弱混沌信号进行检测的新方法。
具体研究内容包括：（1）选取适当的特定混沌系统进行研究，并对其混沌特性进行深入分析。
（2）基于特定混沌系统，开发新的混沌信号检测方法，以解决传统方法在混沌信号检测中存在的问题。
（3）通过对实验数据的模拟和分析，验证本研究所提出的混沌信号检测方法的有效性和准确性。
3. 研究方法本研究将采用以下研究方法：（1）理论分析法：选取适当的混沌系统，对其混沌特性进行理论分析，探究混沌现象的本质。
（2）模拟计算法：通过数值模拟方法，对提出的混沌信号检测方法进行验证，得到模拟结果。
（3）实验验证法：在实验室中实现选定的混沌系统，对实验数据进行分析和处理，验证所提出的混沌信号检测方法的有效性。
4. 预期成果本研究预期得到以下成果：（1）对特定混沌系统的混沌特性进行深入分析，得到混沌现象的本质。
（2）提出一种新的混沌信号检测方法，并利用数值模拟和实验验证方法验证其有效性。
（3）为混沌信号检测提出一种新的解决方案，为深入了解混沌现象提供新的方法和手段。
5. 研究意义本研究的意义在于：（1）提出一种新的混沌信号检测方法，解决传统方法在混沌信号检测中存在的问题。
（2）深入理解混沌现象的本质，为混沌现象的进一步研究提供新的思路。
（3）为混沌信号的应用提供新的思路和途径，具有广泛的应用价值和经济效益。
6. 研究计划（1）第一年：选择特定的混沌系统，对其混沌特性进行分析，并初步尝试构建混沌信号检测方法。
专利名称：一种混沌背景下弱谐波信号的检测方法专利类型：发明专利
发明人：胡进峰,段杰,胡天威,谢浩,陈汉文,叶鑫,薛长飘申请号：CN201610485165.1
申请日：20160628
公开号：CN106209706A
公开日：
20161207
专利内容由知识产权出版社提供
摘要：本发明属于混沌信号检测技术领域，特别涉及一种混沌背景下弱谐波信号的检测方法。
本发明基于扩展卡尔曼EKF的快速算法，根据混沌背景的二阶统计特性不变的特点，首先把弱谐波信号检测问题转化为最小方差检测问题，在此基础上建立量测方程和状态方程，从而避开矩阵求逆，并用EKF方法迭代计算出滤波器权值，在滤波器权值的基础上计算出信号输出信干噪比SINR，根据信号输出信干噪比来检测出弱谐波信号。
本发明利用扩展卡尔曼滤波迭代法求解最小方差无失真问题，得到最优滤波权向量值，从而在准确检测出谐波信号的同时降低算法计算复杂度；具有算法稳健，计算复杂度低和检测性能好的优点。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：电子科技大学专利中心
代理人：张杨
更多信息请下载全文后查看。
奇异谱技术在混沌背景下微弱信号检测中的应用杨海博;王海燕;申晓红【摘要】Weak signal detection based on prediction is one of major fields in chaotic background of weak signal detection research. For the method, the weak signal been separated from the forecast error that is a lack of in-depth study of the status, this paper proposes a new method based on singularity spectrum analysis technique that detect weak signals from forecast error. On the one hand. The method does not need any information from the target signal detection. On the other hand, it has high detecting precision and good universality. Experimental result shows that the method has better performance than traditional comb filter.%基于预测的混沌背景下微弱信号检测成为混沌背景中微弱信号检测研究重点之一;针对现阶段从预测误差中分离微弱信号的方法缺乏深入研究的现状,提出了一种基于奇异谱分析技术从预测误差中检测出微弱信号的新方法;该方法无需目标信号的任何信息,检测精度高,而且具有很好的普适性;实验结果表明该方法性能较传统的梳状滤波器滤波性能提高20dB左右,而且具有很强的实用性和通用性.【期刊名称】《计算机测量与控制》【年(卷),期】2012(020)003【总页数】3页(P593-595)【关键词】奇异谱;混沌;微弱信号检测;RBF神经网络【作者】杨海博;王海燕;申晓红【作者单位】西北工业大学航海学院,陕西西安710072;西北工业大学航海学院,陕西西安710072;西北工业大学航海学院,陕西西安710072【正文语种】中文【中图分类】TN911.230 引言近年来发现，一些通常认为是随机的信号具有混沌特性，如雷达海洋杂波信号，舰船辐射噪声等。
基于混合神经网络的混沌噪声背景下微弱脉冲信号的检测沈心雨;吕林黛;汪欣【期刊名称】《传感器技术与应用》【年(卷),期】2024(12)3【摘要】微弱信号是指相对背景噪声而言,其信号幅度的绝对值很小、信噪比较低的一类信号,这种信号通常受到各种干扰和噪声的影响,使得其在背景中难以被准确检测或识别。
微弱信号可能来自于远距离传输、低功率信号源、弱信号目标等情况。
在实际应用中,检测和提取微弱信号是一项重要的技术挑战,因为微弱信号往往包含有用的信息,例如传感器信号、通信信号、生物信号等。
有效地检测和分析微弱信号可以帮助我们了解环境、诊断疾病、进行通信传输等。
为了提高微弱信号的检测精度,本文构建一种基于注意力机制的CNN-LSTM模型,首先,基于混沌信号对初始值的敏感性及短期可预测性,根据Takens定理对各局部传感器的观测信号进行相空间重构,建立Att-CNN-LSTM模型来对混沌信号进行预测,由此得到单步预测误差,此时,对观测信号的检测问题就可以转化为对一步预测误差的信号检测问题。
最后,使用Z检验的方法对微弱信号进行检测,得到局部传感器的检测结果。
实验结果表明,本文提出的模型有相较于其他模型有更好的表现。
【总页数】9页(P439-447)【作者】沈心雨;吕林黛;汪欣【作者单位】重庆理工大学理学院【正文语种】中文【中图分类】TN9【相关文献】1.色噪声背景下微弱周期脉冲信号的混沌检测方法2.混沌噪声背景下微弱脉冲信号的检测及恢复3.混沌噪声背景下微弱脉冲信号的分布式检测融合4.混沌噪声背景下微弱脉冲信号的分布式检测融合5.卡尔曼滤波下混沌噪声背景中微弱脉冲信号的检测因版权原因，仅展示原文概要，查看原文内容请购买。
混沌噪声背景下微弱脉冲信号的检测及恢复苏理云;孙唤唤;王杰;阳黎明【摘要】构建了一种在混沌噪声背景下检测并恢复微弱脉冲信号的模型.首先,基于混沌信号的短期可预测性及其对微小扰动的敏感性,对观测信号进行相空间重构、建立局域线性自回归模型进行单步预测,得到预测误差,并利用假设检验方法从预测误差中检测观测信号中是否含有微弱脉冲信号.然后,对微弱脉冲信号建立单点跳跃模型,并融合局域线性自回归模型,构成双局域线性(DLL)模型,以极小化DLL模型的均方预测误差为目标进行优化,采用向后拟合算法估计模型的参数,并最终恢复出混沌噪声背景下的微弱脉冲信号.仿真实验结果表明本文所建的模型能够有效地检测并恢复出混沌噪声背景中的微弱脉冲信号.%As is well known, people has been suffering noise interference for a long time, and more and more researches show that a lot of weak signals such as pulse signal are embedded in the strong chaotic noise. The purpose of weak signal detection and recovery is to retrieve useful signal from strong noise. It is very difficult to detect and estimate the weak pulse signal which is mixed in the chaotic background interference. Therefore, the detection and recovery of weak signal are significant and have application value in signal processing area, especially for the weak pulse signal detection and recovery. By studying various methods of detecting and estimating the weak pulse signal in strong chaotic background noise, in this paper, we propose an efficient hybrid processing technique. First, based on the short-term predictability and sensitivity to the tiny disturbance, a new method is proposed, which can be used for detecting and estimating the weak pulse signals in chaoticbackground that the nonlinear mapping is unknown. We reconstruct a phase space according to Takens delay embedding theorem; then we establish the local linear autoregressive model to predict the short-term chaotic signal and obtain the fitting error, and judge whether there are weak pulse signals. Second, we establish a single-jump model for pulse signals, and combine the local linear autoregressive model with it to build a double local linear (DLL) model for estimating the weak pulse signal. DLL model contains two parameters, and the two parameters affect each other. We use the back-fitting algorithm to estimate model parameters and ultimately recover the weak pulse signals. Detecting and estimating the pulse signals in chaotic background turns into estimating the parameters of DLL model. The minimum fitting error criterion is used as the objective function to estimate the parameters of the DLL model. To make the estimation more exact, we can use the formula of mean square error. The new algorithm presented here in this paper does not need to know the prior knowledge of the chaotic background nor weak pulse signal, and this algorithm is also simple and effective. Finally, the simulation results show that the method is effective for detecting and estimating the weak pulse signals based on the chaotic background noise. Specifically, the weak pulse signal can be extracted well with low SNR and the minimum mean square error or the minimum normalized mean squared error is very low.【期刊名称】《物理学报》【年(卷),期】2017(066)009【总页数】11页(P24-34)【关键词】混沌噪声;微弱脉冲信号检测;局域线性自回归模型;双局域线性模型【作者】苏理云;孙唤唤;王杰;阳黎明【作者单位】重庆理工大学理学院, 重庆 400054;重庆理工大学理学院, 重庆400054;重庆理工大学理学院, 重庆 400054;重庆理工大学理学院, 重庆 400054【正文语种】中文构建了一种在混沌噪声背景下检测并恢复微弱脉冲信号的模型.首先,基于混沌信号的短期可预测性及其对微小扰动的敏感性,对观测信号进行相空间重构、建立局域线性自回归模型进行单步预测,得到预测误差,并利用假设检验方法从预测误差中检测观测信号中是否含有微弱脉冲信号.然后,对微弱脉冲信号建立单点跳跃模型,并融合局域线性自回归模型,构成双局域线性(DLL)模型,以极小化DLL模型的均方预测误差为目标进行优化,采用向后拟合算法估计模型的参数,并最终恢复出混沌噪声背景下的微弱脉冲信号.仿真实验结果表明本文所建的模型能够有效地检测并恢复出混沌噪声背景中的微弱脉冲信号.微弱信号是传统和一般的方法所不能检测到的微弱量,微弱是相对于噪声而言,不只是指信号的幅度很小,主要是指被噪声淹没的、信噪比(signal-to-noise ratio,SNR)很低的信号［1].微弱信号检测是利用电子学、信息论和概率统计等方法研究被测信号的特点,分析产生噪声的原因,检测并恢复被背景噪声淹没的微弱信号［2].检测及恢复微弱信号的传统方法主要有:时域的相关检测法、取样积分法和频域的谱分析法［3]等.然而,这些方法采用的是噪声抑制技术,检测的微弱信号的SNR需要有比较高的门限值.随着对非线性系统不断深入的研究,诸如混沌［4,5]、小波等新的理论与方法被提出,这些方法采用的是信号提取技术,为微弱信号的检测及恢复提供了新的思路.混沌噪声背景下微弱信号的检测及恢复的方法是一种基于非线性系统突变效应的新型检测方法,利用较少的数据在任意噪声背景下实现较低的SNR工作门限［6],已经成为信号处理的一个研究热点和重要分支,在通信、自动化、故障诊断和地震监测等需实时处理领域中都有很广阔的应用前景［7−12].在通信、故障诊断、生物医学和地震监测等领域中,脉冲信号是一种典型的信号形式［13],提高噪声背景下微弱脉冲信号的检测能力、准确地测得脉冲信号,对于降低设备检测成本、为一些高精度检测仪器的开发提供理论思路、发现早期故障和增强检测系统抗干扰能力具有重要意义.为此,国内外学者对混沌噪声背景下微弱脉冲信号的检测及恢复问题进行了广泛的研究,其中包括Boxcar积分器和锁相放大器方法、Duffing-Holmes方程系统、双耦合Duffing振子系统、Birkho ff-shaw振子系统、高阶累积量法、现代互谱估计法及互高阶谱估计法［14−20]等方法,这些方法大都存在灵敏度不高、适应性不强或计算量较大的问题.为进一步提升湮没在混沌噪声中的微弱脉冲信号检测及恢复精度,近年来,很多学者应用非线性预测模型进行混沌背景下的微弱脉冲信号的检测及恢复［21−23],如把神经网络、支持向量机(SVM)［24−26]等方法应用到混沌时间序列预测模型中,虽然这些非线性方法的学习能力比较突出,但在原始数据的选择、隐含层的设计、因素的选取等方面会对预测结果产生很大的影响,存在过分依赖经验、容易陷入局部最优等缺点［27].另外,由于非线性方法不能充分利用混沌信号的性质［28,29],往往导致预测的精确性及可靠性不够高,限制了其在混沌时间序列预测方面的应用.为了提高噪声背景下微弱脉冲信号的检测能力并降低模型的复杂程度,为故障诊断和地震监测等领域提供较精确的数据支撑,为一些高精度检测仪器的开发提供一定的理论思路,本文充分考虑了数据潜在的混沌特性和混沌系统对微弱脉冲信号的敏感性及对噪声的免疫力.基于此,首先对观测信号进行相空间重构,然后构建局域线性自回归(local linear autoregressive,LLAR)模型和双局域线性(double locallinear,DLL)模型,对混沌噪声背景下的微弱脉冲信号进行检测和恢复.本文对混沌噪声背景下的微弱脉冲信号的检测及恢复的具体思路如下:首先,对观测到的信号进行相空间重构并构建LLAR模型进行单步预测,通过预测误差检测是否存在微弱脉冲信号;其次,建立混沌背景信号的DLL模型,使用向后拟合算法(back fi tting algorithm,BFA)估计模型的参数,从而恢复微弱脉冲信号.本文旨在构建能有效检测与恢复混沌背景下的微弱脉冲信号的混合模型.具体思路如图1所示.本文的结构安排如下:第2部分对混沌噪声背景下的微弱脉冲信号进行检测;第3部分对混沌噪声背景下的微弱脉冲信号进行恢复检测;第4部分进行仿真实验;第5部分对本文所做工作进行总结.2.1 微弱脉冲信号的检测问题从混沌噪声背景中检测微弱脉冲信号的问题可抽象为下面的假设检验问题:其中,x(t)表示观测信号,c(t)表示混沌噪声背景信号,s(t)表示微弱脉冲信号并且独立于混沌噪声背景信号c(t),N(t)表示均值为0的白噪声,˜c(t)表示混沌噪声背景信号c(t)与白噪声N(t)之和.由于微弱脉冲信号s(t)淹没在混沌噪声背景信号c(t)中,若利用(1)式直接进行假设检验则无法检测出观测信号x(t)中是否含有s(t).所以首先要去除混沌噪声背景信号c(t)的干扰,把(1)式转化为如下假设检验问题:即本部分要做的工作为:1)利用混沌背景信号这一先验知识,建立观测信号的单步预测模型,得到预测误差;2)从预测误差中检测是否存在微弱脉冲信号.2.2 LLAR模型对观测信号建立单步预测模型的步骤如下:第一步,对观测信号进行相空间重构;第二步,对观测信号建立LLAR模型;第三步,检验LLAR模型的优劣.1)相空间重构对于观测信号{x(t),t=1,2,...,n}, 其在重构相空间中的某一相点可以表示为X(t)=(x(t),x(t− τ),...,x(t− (m−1)τ))′, 其中,t=n1,n1+1,...,n;n1=1+(m−1)τ.Takens 定理［30]指出,对于重构后的相空间轨迹中的每一点,存在光滑映射f:Rm→ R,使得x(t+1)=f(X(t))(t=n1,n1+1,...,n −1).如果能够求出f或者找到f的近似映射ˆf,便可对下一个数据点x(t+1)进行预测.本文采用复自相关法［31]求解延迟时间τ,采用Cao的方法［32]求解嵌入维数m.2)LLAR模型重构相空间之后建立观测信号x(t)的LLAR模型［33−36]来近似映射f:其中θ(t)=(b1(t),b2(t),...,bm(t))′. 对于相空间中的任一相点(以相点XM(t)为例),其周围的q(q≤qmax,qm ax=2m+1)个邻近点XM(ti)(i=1,2,...,q)具有相似的演化规律,距离越近,演化相似程度越大.本文通过计算欧氏距离d来确定这q个点,并引入高斯核函数来控制与当前相点相距较远的点在建模时造成的误差的影响.把XM(t)的q个邻近点代入方程(4)中,于是得到一个由q个方程构成的方程组,对此方程组采用加权最小二乘法便可得到参数θ(t)的估计ˆθ(t):其中,K(ui)为高斯核函数,通过改变窗宽h调整各个邻近点的权重.通过最小化获得窗宽h［37].对(5)式采用局域加权最小二乘法,得到参数θ(t)的估计:把代入方程(4)中,得到单步预测值gt(X(t)),也随之得到预测误差e(t+1):3)LLAR模型优劣性检验设定一个门限值δ,如果LLAR模型的误差平方和小于门限值δ(根据大量模拟实验结果的经验值,本文取δ=0.1),则表明LLAR模型能较好地近似映射f;反之,则表明LLAR模型不能较好地近似映射f,那么就要重新优化LLAR模型.2.3 微弱脉冲信号的检测根据2.2节进行假设检验判断观测信号x(t)中是否存在微弱脉冲信号s(t).用LLAR 模型检测微弱脉冲信号的流程如图2所示.3.1 DLL模型根据微弱脉冲信号的特点建立微弱脉冲信号的单点跳跃模型:所以恢复s(t)只需要估计出α即可.根据本文第2部分,若检测出含有微弱脉冲信号,结合微弱脉冲信号建立如下模型: 称上述模型为DLL模型.其中,,ε(t)为零均值的白噪声.由(8)式可以看出DLL模型含有两个参数α和θ(t),恢复s(t)只需要估计出α即可,所以在混沌噪声背景下恢复微弱脉冲信号的问题转化为估计DLL模型中参数的问题.3.2 DLL模型的参数估计LLAR模型的误差平方和最小时,估计出α的值为最优值,即由(9)式可知,估计α的值需要已知θ(t)的值,然而,由(8)式可知估计θ(t)的值需要已知α的值.且θ(t)是时变的,α是非时变的,这里选取BFA［38]同时估计α和θ(t)的值.采用BFA估计参数α和θ(t)的最优值的步骤如下:第一步,给定α的值估计θ(t)的值;第二步,用第一步估计出的(t)估计α的值;第三步,重复第一、二两个步骤直至得到α的最优估计.1)给定α值估计θ(t)值(设α初值为0)由(8)式可知,给定α时,˜c(t)是已知的.类比(5)式建立θ(t)的估计方程:使用求解(5)式的方法求解(10)式便可求出θ(t)的估计值:2)用1)中估计出的θ(t)值估计α的值由(8)式可知,给定θ(t)时,gt((t))是已知的.根据(9)式可得其中,采用最小二乘法求解(12)式便可求出α的估计值:其中U=(U(n1),U(n1+1),...,U(n −1))′,Z=(z(n1+1),z(n1+2),...,z(n))′.3)循环1)和2)两个步骤,直到由方程(13)得到连续的两个α值相等或差距很小,这时的α值便是最优解.3.3 微弱脉冲信号的恢复混沌噪声背景下恢复微弱脉冲信号的流程如图3所示,主要步骤如下.1)由本文第2部分检测是否存在s(t);2)若存在s(t),构建DLL模型以恢复s(t);3)用BFA估计DLL模型的参数α和θ(t);4)把估计出的α和θ(t)代入(8)式,从而恢复s(t).注意:由于s(t)是微弱信号,很难影响相空间重构的结果,所以为了减少计算量,当对α进行迭代时,没有必要重新重构相空间和计算欧氏距离.为验证本文提出的检测模型(LLAR模型)与恢复模型(DLL模型)的可行性及有效性,进行四个仿真实验.本文实验均采用Lorenz系统生成混沌噪声背景信号,用SNR度量检测门限,用均方误差(MSE)和归一化的均方误差(NMSE)衡量恢复结果的精度. (t)和(t)分别为s(t)和c(t)的均值,是白噪声N(t)的方差.Lorenz系统迭代方程如下:其中η,y,z为时间函数,参数σ=10,b=8/3,r=28.假定初始条件η=1,y=1,z=1,采样时间t=0.01 s,利用四阶Runge-Kutta法产生10000个数据点,取其中的第一分量作为混沌噪声背景记为c(t).舍去前面3000个点(确保系统完全进入混沌状态),选取4000个连续序列作为混沌噪声背景,记为{c(t),t=1,2,...,4000}.采用复自相关法和Cao［32]的方法确定出x(t)的延迟时间τ=7,嵌入维数m=6.4.1 实验一: 微弱脉冲信号存在性的检测实验假设微弱脉冲信号是两个周期微弱脉冲信号的叠加信号,即s(t)=a1s1(t)+a2s2(t),其中,a1=0.15,a2=0.25,产生长度为4000的时间序列,记为{s(t),t=1,2,...,4000},此时SNR达到−105.1382 dB.采用LLAR模型对信号进行检测,(t)和x(t)的图形和预测误差如图4所示.图4(a)和图4(b)分别代表叠加了白噪声的混沌噪声背景信号(t)和观测信号x(t),图4(c)和图4(d)分别代表(t)单步预测的预测误差图和x(t)单步预测的预测误差图.从图4(a)和图4(b)可以看出,微弱的脉冲信号对混沌背景信号影响较弱,所以使用相同方法得到˜c(t)和x(t)的嵌入维数和延迟时间也应该是相同的.但从图4(c)和图4(d)可以看出,图4(d)中出现了明显偏大的预测误差值,意味着中可能存在微弱信号.采用2.3节的方法判断,观测信号中确实存在微弱脉冲信号,与图示结果相同.4.2 实验二:微弱脉冲信号的恢复实验由实验一的结果可知:x(t)中存在除˜c(t)之外的微弱信号,因此可以对观测信号x(t)中的微弱信号进行恢复.同样选取观测信号x(t)的4000个点作为训练样本,选取最后500个点作为预测样本.LLAR模型的误差平方和sse为0.0066,小于门限值δ=0.1,所以可以在LLAR模型基础上建立DLL模型对微弱脉冲信号进行恢复,实验结果如表1及图5所示,其中误差表1结果表明,在时间点t处检测及恢复出的微弱脉冲信号的预测值与真实值误差较小,基本都在0.12%之下,表明DLL模型在混沌噪声背景下恢复微弱脉冲信号的性能比较好,恢复出的微弱脉冲信号精度较高.图5显示的是微弱脉冲信号的检测及恢复结果,为了便于观察,图5(a)中预测值向右平移了10个单位,此时SNR达到−105.1382 dB.由表2及图5的结果可以看出:微弱脉冲信号s(t)的真实值与预测值的拟合效果很好,而且在进行几次迭代后,预测结果的NMSE近似为5.21×10−7,MSE近似为8.89×10−10.4.3 实验三:不同强度脉冲信号的检测及恢复实验假设微弱脉冲信号s(t)的周期不变,通过改变a1,a2的数量级的大小控制微弱脉冲信号s(t)的强度,即a1=1.5×10j,a2=2.5×10j(j=−5,−4,−3,−2,−1,0,1). 同样选取观测信号x(t)的4000个点作为训练样本,选取最后500个点作为预测样本,采用LLAR模型对信号进行检测,采用DLL模型进行信号恢复.实验结果如表2所列.由表2显示的结果可以看出,随着脉冲信号强度的逐渐变化,DLL模型恢复信号的能力也发生了改变.SNR大于−58 dB的时候,尽管NMSE的值比较小,但MSE的值比较大,所以恢复微弱信号的效果不理想;同样,在SNR小于−242 dB时,NMSE的值明显增大,此时DLL模型恢复微弱信号的能力极弱,这是因为脉冲信号太强会破坏混沌噪声背景信号的几何结构,脉冲信号太弱就会被混沌噪声背景信号中的一些分量模糊掉.所以SNR在−104.8076 dB到−196.9111 dB之间时,DLL模型恢复微弱信号的效果比较优异,此时NMSE和MSE均比较小,由此也可以看出,DLL模型检测微弱信号的SNR门限值较低.4.4 实验四:不同模型的性能比较为判断模型检测及恢复微弱脉冲信号的效果的优劣,与文献[22]中的对偶约束最小二乘支持向量机(LS-SVM)模型、遗传算法-支持向量机(GASVM)模型、LS-SVM 模型及径向基函数(RBF)神经网络模型进行比较,选取分别采用复自相关法和Cao［32]的方法确定x(t)的延迟时间τ=1,嵌入维数m=6.使用LLAR模型进行信号检测,使用DLL模型进行信号恢复,采用SNR及均方根误差判断模型的优劣,结果如图6和表3所示.由图6和表3可知,微弱脉冲信号的估计值为0.006015,NMSE为2.402×10−6,RMSE为1.72× 10−6,此时SNR达到−188.545 dB,与文献[22]中实验1的模型得到的结果相比,本文模型的优势更加明显,本文模型得到的RMSE值的数量级为10−6,比用其他模型得到的RMSE值至少提高了2个数量级,且SNR值远远低于其他模型的SNR值,具体结果见表3.这些足以表明DLL模型的检测能力更强,恢复效果更好.结合混沌时间序列的短期可预测性和对微小扰动的敏感性,结合相空间重构构建了LLAR模型和DLL模型.本文所建模型不需要知道混沌系统动力学方程和脉冲信号的先验知识,可以在非线性映射未知的情况下,对混沌噪声背景下的微弱脉冲信号进行检测和恢复,是一种简单且易于理解和应用的检测与恢复微弱信号的模型.从实验结果可得出如下结论:LLAR模型能够有效地从混沌噪声背景下检测出微弱脉冲信号;使用DLL模型恢复出的微弱脉冲信号精度高,预测值与真实值之间的误差基本都在0.12%之下,并且MSE低至8.89×10−10,RMSE低至5.21×10−7;从不同强度脉冲信号的检测与恢复实验中可以看出,本文构建的模型能利用较少的数据在混沌噪声背景下实现较低的SNR工作门限并且预测精度保持在较高的水平,即SNR低至−196.9111 dB时RMSE可低至1.98×10−3;与其他模型比较的结果更直观地显示出本文构建的模型检测能力更强,恢复效果更好.下一步将继续完善LLAR模型的预测误差对构建检测及恢复模型的影响,以期实现更低的SNR工作门限,并推广到其他微弱信号的检测及恢复领域.[1]Cai Z Q 2014M.S.Thesis(Baotou:Inner Mongolia University ofScience&Technology)(in Chinese)[蔡志全2014硕士学位论文(包头:内蒙古科技大学)][2]Zhang K L,Zhu H M 2009Avionics Technol.40 30(in Chinese)[章克来,朱海明2009航空电子技术40 30][3]Xia J Z,Liu Y H,Leng Y G,Ge J T 2011Noise Vib.Control.31 156(in Chinese)[夏均忠,刘远宏,冷永刚,葛纪桃2011噪声与振动控制31 156][4]Lü J H,Lu J A,Chen S H 2002Chaotic Time Series Analysis and Application(Wuhan:Wuhan University Press)p8(in Chinese)[吕金虎,陆君安,陈士华 2002混沌时间序列分析及其应用(武汉:武汉大学出版社)第8页][5]Su L Y,Li C L 2015Discrete Dyn.Nat.Soc.2015 329487[6]Wang D S,Chen L,Shi Y D 2010J.Dyn.Control8 48(in Chinese)[王德石,谌龙,史跃东 2010动力学与控制学报8 48][7]Su L Y 2010Comput.Math.Appl.59 737[8]Wang X L,Wang W B 2015Chin.Phys.B24 080203[9]Lu P,Li Y 2005Acta Electron.Sin.33 527(in Chinese)[路鹏,李月 2005电子学报 33 527][10]Su L Y,Ma Y J,Li J J 2012Chin.Phys.B21 020508[11]Li M P,Xu X M,Yang B C,Ding J F 2015Chin.Phys.B24 060504[12]He G T,Luo M K 2012Chin.Phys.Lett.29 060204[13]Liu L S,Zhang L 2009Electron.Test8 19(in Chinese)[刘连生,张磊2009电子测试8 19][14]Li Y,Yang B J,Du L Z,Yuan Y r.Technol.25 195(in Chinese)[李月,杨宝俊,杜立志,袁野2003电子与信息学报25 195][15]Dai Y S 1994Weak Signal Detection Method andInstrument(Beijing:National Defend Industry Press)pp268–275(in Chinese)[戴逸松 1994微弱信号检测方法及仪器(北京:国防工业出版社)第268—275页][16]Li Y,Lu P,Yang B J 2006Acta Phys.Sin.55 1672(in Chinese)[李月,路鹏,杨宝俊 2006物理学报55 1672][17]Swami A,Mendel J M 1988Cumulant-based Approach to the Harmonic Retrieval ProblemNew York,USA,April 11–14,1988 pp2264–2267[18]Chang N N,Lu C H,Liu C 2006J.Electron.Meas.Instrum.20 86(in Chinese)[苌凝凝,鲁昌华,刘春2006电子测量与仪器学报20 86][19]Li J Y 2010M.S.Thesis(Chengdu:University of Electronic Science and Technology of China)(in Chinese)[李继永2010硕士学位论文(成都:电子科技大学)][20]Ma Y,Shi Y W,Kang X T 2002Acta Electron.Sin.30 14(in Chinese)[马彦,石要武,康小涛 2002电子学报 30 14][21]Xing H Y,Zhang Q,Xu W 2015Acta Phys.Sin.64 040506(in Chinese)[行鸿彦,张强,徐伟 2015物理学报64 040506][22]Xing H Y,Zhu Q Q,Xu W 2014Acta Phys.Sin.63 100505(in Chinese)[行鸿彦,朱清清,徐伟2014物理学报63 100505][23]Zhu Z W,Leung H 2002IEEE Trans.Circ.Sys.I49 170[24]Ma J W,Qing C Y 2013Sig.Process.29 1609(in Chinese)[马尽文,青慈阳2013信号处理 29 1609][25]Zhang Q,Xing H Y 2015Acta Electron.Sin.43 901(in Chinese)[张强,行鸿彦2015电子学报 43 901][26]Liu H,Liu D,Li Q r.25 94(in Chinese)[刘涵,刘丁,李琦2005系统工程理论与实践 25 94][27]Zheng H L,Xing H Y,Xu W 2015Sig.Process.31 336(in Chinese)[郑红利,行鸿彦,徐伟2015信号处理31 336][28]Leung H 2014ChaoticSignalProcessing(Beijing:Higher Education Press)pp110–113[29]Li Y,Yang B J,Deng X Y,Lin H B r.Technol.27 731(in Chinese)[李月,杨宝俊,邓小英,林红波2005电子与信息学报27 731][30]Takens F 1981Lecture Notes Math.898 366[31]Lin J Y,Wang Y K,Huang Z P 1999Sig.Process.15 220(in Chinese)[林嘉宇,王跃科,黄芝平 1999信号处理15 220][32]Cao L Y 1997Physica D110 43[33]Peng X W,Su L Y,Li C L,Yin Y,Sun H H 2015Stat.Appl.4 56(in Chinese)[彭相武,苏理云,李晨龙,殷勇,孙唤唤2015统计学与应用4 56][34]Su L Y,Li C L 2015Math.Problems Eng.2015 901807[35]Li C L 2015M.S.Thesis(Chongqing:Chongqing University of Technology)(in Chinese)[李晨龙 2015硕士学位论文(重庆:重庆理工大学)][36]Li C,Su L 2017Mech.Syst.Sig.Proc.84 499[37]She D,Yang X 2010Math.Problems Eng.2010 205438[38]Fan J,Yao Q,Cai Z 2003J.Royal Stat.Soc.65 57PACS:05.45.Pq,05.45.Tp,05.45.Gg,02.50.–r DOI:10.7498/aps.66.090503As is well known,people has been su ff ering noise interference for a long time,and more and more researches show that a lot of weak signals such as pulse signal are embedded in the strong chaotic noise.The purpose of weak signal detection and recovery is to retrieve useful signal from strong noise.It is very difficult to detect and estimate the weak pulse signal which is mixed in the chaotic background interference.Therefore,the detection and recovery of weak signal are signi fi cant and have application value in signal processing area,especially for the weak pulse signal detection and recovery.By studying various methods of detecting and estimating the weak pulse signal in strong chaotic background noise,in this paper,we propose an efficient hybrid processing technique.First,based on the short-term predictability and sensitivity to the tiny disturbance,a new method is proposed,which can be used for detecting and estimating the weak pulse signals in chaotic background that the nonlinear mapping is unknown.We reconstruct a phase space according to Takens delay embedding theorem;then we establish the local linear autoregressive model to predict the short-term chaotic signal and obtain the fi tting error,and judgewhether there are weak pulse signals.Second,we establish a single-jump model for pulse signals,and combine the local linear autoregressive model with it to build a double local linear(DLL)model for estimating the weak pulse signal.DLL model contains two parameters,and the two parameters a ff ect each other.We use the back- fi tting algorithm to estimate model parameters and ultimately recover the weak pulse signals.Detecting and estimating the pulse signals in chaotic background turns into estimating the parameters of DLL model.The minimum fi tting error criterion is used as the objective function to estimate the parameters of the DLL model.To make the estimation more exact,we can use the formula of mean square error.The new algorithm presented here in this paper does not need to know the prior knowledge of the chaotic background nor weak pulse signal,and this algorithm is also simple and e ff ective.Finally,the simulation results show that the method is e ff ective for detecting and estimating the weak pulse signals based on the chaotic background noise.Speci fi cally,the weak pulse signal can be extracted well with low SNR and the minimum mean square error or the minimum normalized mean squared error is very low.。
混沌RBF神经网络异常检测算法翁鹤;皮德常【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)007【摘要】针对传统神经网络异常检测算法的准确率问题，文中将混沌和RBF( Radial Basis Function)神经网络相结合，既可利用混沌的随机性、初值敏感性等特点，也可发挥RBF神经网络大规模并行处理、自组织自适应性等功能。
文中对混沌时间序列进行相空间重构得到相空间向量，作为RBF神经网络的输入，通过RBF神经网络构建电力负荷序列的拟合函数，在此基础上进一步预测，比较预测值与真实值的偏差，从而判断检测信号是否为异常信号。
实验结果表明，该方法相对其他算法预测精度更高，具有较好的异常检测能力。
%For the accuracy problem of traditional neural network anomaly detectionalgorithm,propose a method of combining chaos and RBF ( Radial Basis Function) neural network,not only can take advantages of the randomness and initial value sensitivity and others of chaos,but also make use of the large-scale parallel processing,self-organization and adaptive capability of RBF neural networks. Recon-struct the chaotic time sequence to obtain the phase space vector as the input of RBF neural network,by which build the electricity load sequence fitting function. Then use this function to take one-step prediction in the phrase space reconstruction. At last,compare predicted value and true value of the deviation,in order to determine whether the abnormal signal or detection signal. Experimental results showthat this method has better prediction accuracy and anomaly detection capabilities.【总页数】5页(P29-33)【作者】翁鹤;皮德常【作者单位】南京航空航天大学计算机科学与技术学院，江苏南京 210016;南京航空航天大学计算机科学与技术学院，江苏南京 210016【正文语种】中文【中图分类】TP183【相关文献】1.基于SFLA优化的RBF神经网络入侵检测算法 [J], 晁萍瑶;王小敏2.基于混沌免疫聚类的异常检测算法 [J], 翁鹤;王喆3.基于ARBF神经网络的入侵检测算法 [J], 周寿阳4.基于混沌免疫聚类的异常检测算法 [J], 翁鹤[1];王喆[2]5.基于SFLA优化的RBF神经网络入侵检测算法 [J], 晁萍瑶;王小敏因版权原因，仅展示原文概要，查看原文内容请购买。
