基于ELMAN网络的非线性混沌微弱信号检测

发布时间：2021-07-15 20:48

　　为了快速和实时地从具有强噪声的较低信噪比的原始信号中检测出有用信息,设计了一种混沌相空间重构理论和ELMAN神经网络的信号检测方法;首先,描述了采用混沌相空间重构理论对原始信号进行重构的原理和方法,在获取重构的时间序列的基础上,采用ELMAN网络来近似表示用于检测信号的函数型,然后,设计了ELMAN网络中各层之间连接权值的计算方式,并提出了采用ELMAN网络进行信号检测的具体过程,最后给出了采用混沌相空间重构理论和ELMAN网络的信号检测模型;对Lorenz混沌系统模型进行仿真实验,结果证明了文章方法能有效地对瞬时信号和周期性信息进行检测,在具有高斯白噪声的情况下,仍然具有降噪效果好的优点,是一种用于信号检测的可行性方法。 

【文章来源】：计算机测量与控制. 2014,22(11)北大核心

【文章页数】：3 页

【部分图文】：

图１ＥＬＭＡＮ网络结构网络权值学习

行训练，并采用式（９）～式（１２）所示的公式对权值进行学习，然后将实际观测的序列ｘ（ｎ）作单步预测，将单步预测值ｘｉ＋Ｒ＾与实际的值ｘｉ＋Ｒ进行比较，得到单步预测误差，如下所示：ｅ（ｎ）＝ｘｉ＋Ｒ＾－ｘｉ＋Ｒｎ＝１，２，．．．．，ｎ－Ｒ（１５）其中：根据式（１５）求取出的具有较大误差的点，这些点使得观测序列ｘ（ｎ）与背景噪声ｓ（ｎ）具有较大差别，因此，这些点能证明瞬态信号的存在。文中的最终检测模型如图２所示。图２基于相空间重构和ＥＬＭＡＮ的模型

进行单步预测，检测效果如图３所示。图３信号检测结果从图３中可以看出，文中方法采用ＥＬＭＡＮ网络输出的单步误差在ｎ＝１００２～１０４９之间误差较大，因此，可以判断在该区域中存在着瞬时信号。在混沌背景噪声中加入均值为０和方差为０．０９的高斯白噪声，将观测序列表示为：Ｈ１：ｘ（ｎ）＝ｓ（ｎ）＋ｔ（ｎ）＋ｗ（ｎ）（１７）Ｈ０：ｘ（ｎ）＝ｓ（ｎ）＋ｔ（ｎ）（１８）加入白噪声的信号检测结果如图４所示。从图４中可以看出，文中方法对含有噪声的情况仍具有很好的检测效果，瞬时信号在ｎ＝１００２时被成功检测出来，而周期性信号在频率为ｆ＝０．３００２时被成功检测出来。图４含噪信号检测结果４结论信号检测是从大量含有噪声的信号中，根据被测信号和噪声的统计特性和差别，从信号中检测出有用的信号。文中设计了一种基于混沌相空间和ＥＬＭＡＮ网络的信号检测方法，首先采用混沌相空间重构方法对背景噪声信号进行重构，然后构建ＥＬＭＡＮ网络对信号进行检测。实验证明文中方法能有效实现对瞬时信号和周期性信号检测，同时当具有高斯噪声时，仍能有效实现检测，具有很强的可行性。参考文献：［１］ＸｕＢＱ，ＺｈｏｕＨＨ，ＳｕｎＬＬ，ｅｔａｌ．Ｗｅａｋ－ｓｉｇｎａｌｄｅｔｅｃｔｉｏｎａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｉｎｄｅｔｅｃｔｉｏｎｏｆｅｌｅｃｔｒｉｃｍｏｔｏｒｆａｕｌｔｓ［Ａ］，２００７Ｉｎ－ｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌＭａｃｈｉｎｅｓａｎｄＳｙｓｔｅｍｓ，ＩＥＥＥＣｏｎ

【参考文献】：
期刊论文
[1]采用粒子群算法的自适应变步长随机共振研究[J]. 张仲海,王多,王太勇,林锦州,蒋永翔.  振动与冲击. 2013(19)
[2]基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测[J]. 行鸿彦,程艳燕,徐伟.  物理学报. 2012(10)
[3]基于哈密顿量的Duffing振子微弱信号检测[J]. 魏恒东,甘露,李立萍.  电子科技大学学报. 2012(02)
[4]奇异谱技术在混沌背景下微弱信号检测中的应用[J]. 杨海博,王海燕,申晓红.  计算机测量与控制. 2012(03)
[5]一种新的微弱未知信号混沌振子检测法[J]. 杨海博,王海燕,申晓红.  计算机应用研究. 2012(03)
[6]微弱信号检测方法的现状分析[J]. 夏均忠,刘远宏,冷永刚,葛纪桃.  噪声与振动控制. 2011(03)
[7]混沌背景下微弱信号时域参数检测的研究[J]. 李小玲,袁继敏,银星,古天祥.  电子科技大学学报. 2009(04)



本文编号：3286439