混沌直扩信号扩频序列盲估计

与传统直扩序列相比,混沌扩频序列具有非线性复杂度较高的优点,该优点同时也是盲估计混沌扩频序列的难点。针对这个难点,该文提出了非线性弹性反传神经网络盲估计方法,充分利用非线性神经网络能逼近任意非线性函数的特性,无须搜索信息码和扩频序列之间的同步点,能在较低的信噪比下准确盲估计混沌扩频序列。传统的神经网络使用中,神经网络的有用信息是网络的输出,而该文中则是输出层的权系数。侦察截获的混沌直扩信号同时用作神经网络的输入和期望输出,神经网络收敛后的输出层权系数就是混沌扩频序列的估计值。仿真结果证明了该方法的有效性。     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力,应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型,利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明,该模型产生的混沌扩频序列调整更容易,比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

一种信号源个数估计的新方法

在常用的阵列测向算法中,一般认为信号源数是先验参数,当信号源数估计错误时,方位估计的性能会严重下降,甚至完全失效。文中引入径向基网络,将信号源估计问题转化为一个模式分类问题来解决,利用径向基函数神经网络结构简单、训练简洁且学习收敛速度快,能够逼近任意非线性函数的特点,最后给出了算法的实现方法、仿真结果以及与现有算法的性能比较。     

基于BP算法的多层前馈网络在质差建模中的应用

BP神经网络算法可以以任意精度逼近任何非线性函数,且具有并行分布存储、高度鲁棒性与容错能力,适合解决受多重因素交叉影响的复杂的非线性问题。主要提出了一种基于BP神经网络的预测方法,并详细阐述神经算法的基本原理、建模方法以及其在质差预测中的应用。     

具有传输干扰的混沌全状态射影同步

针对具有传输干扰的混沌系统的同步问题,提出一种新的全状态射影同步方案.利用Lyapunov稳定性理论,设计了混沌系统的非线性观测器,得到了具有传输干扰的混沌系统射影同步的充分条件.该方案不仅能够得到以特定缩放因子的射影同步,并且可以在不降低可控性的条件下,根据控制的情况,任意调整缩放因子.利用鲁棒稳定性理论进一步证明了所提方案可大大减小传输干扰对混沌射影同步的影响,从而得到了满意的混沌全状态射影同步.最后,以陈氏系统为例,进行数值仿真,验证了所提方案能够有效地抑制混沌同步系统的信道干扰,得到混沌系统的全状态射影同步.     

基于神经网络混沌扩频序列的研究

应用神经网络的强大学习能力和具有全局最优的BP改进算法,提出了通过训练学习建立的具 有混沌性态的优化神经网络模型;利用网络权值调整的灵活性来产生混沌序列,该模型序列更换容易并且数 量巨大。实验与分析结果表明该模型产生的混沌扩频序列具有良好的相关特性、平衡特性以及理想的线性复 杂度,是最优加密密钥及扩频码的优选码型之一。     

混沌神经网络及其在保密通信中的应用

具有高度复杂非线性动力学特性的混沌神经网络系统已成为近年来进行加密通信应用研究的热点课题。本文首先概括了混沌神经网络的一些主要理论模型及其非性动力学系统的特点和复杂性，并分析人们如何利用混沌神经网络的系统的这些复杂非线性特点，如混沌同步和混沌吸引子等，进行加密通信的基本算法原理，最后总结有关混沌神经网络及其加密通信应用中所需要进一步研究的一些课题。     

基于自适应模拟退火的变频正弦混沌神经网络

针对变频正弦混沌神经网络寻优精度与收敛速度无法兼顾的问题,通过分析暂态混沌神经网络的优化机制和现有的退火策略,提出了一种基于自适应模拟退火策略的变频正弦混沌神经网络模型.该模型可以根据混沌神经元的Lyapunov指数来确定合适的自反馈连接权值.给出了混沌神经元的倒分岔图、Lyapunov指数及不同退火函数的时间演化图,证明了自适应模拟退火策略能够自主选择合适的退火速度,更有效的利用混沌全局搜索能力,并加快非混沌态的演化时间.为了证明该模型的有效性,将其应用于函数优化和组合优化问题中.仿真实验表明：（1）对于该模型退火速度的选择,自适应模拟退火策略比现有的几种退火方法更具有灵活性和适应性;（2）该模型在寻优精度和速度上比暂态混沌神经网络及其他改进模型具有更好的兼顾性.     

基于混沌蚁群算法的BP神经网络训练研究

针对BP学习算法依赖于初始权值的选择和只能处理具有求导或者梯度特性目标函数,导致函数逼近误差较大的缺点,基于适值理论,建立了混沌蚁群算法模型.采用实值编码,把BP神经网络的权值和偏值作为混沌蚁群算法搜索的蚂蚁空间位置;设置合适的适值函数,对BP神经网络权值进行训练,并将其应用于曲线拟和.分别用混沌蚁群算法对不包含噪声的BP神经网络和包含噪声的BP神经网络进行了训练仿真,对仿真结果进行分析,取得了很好的效果.     

基于DSP的混沌信号源的设计与实现

针对采用模拟电路设计的混沌信号源存在结构复杂、可靠性低、噪声高、精度低等缺点,致使其在保密通信、雷达与通信对抗等领域中出现难以可靠应用的情况,以Lorenz系统为例,采用DSP设计并实现混沌信号源,并运用简单有效的JTAG测试技术和CCS在线调试功能,直接访问DSP内存,验证混沌信号。同时,又实现Liu系统混沌信号源,从而证明该信号源模块具有很强的通用性和灵活性。     

实现标量混沌信号同步控制的神经网络方法

本文给出了一种利用线性输出神经网络实现标量混沌信号同步控制的方法。该方法利用线性输出神经网络构造被控混沌系统的模型，并基于Lyapunov理论与非线性系统控制方法，设计出神经网络权值变化规律与非线性反馈控制器，使神经网络模型的标量输出能大范围同步于给定的标量混沌信号。理论分析与计算机模拟结果都证实了这种方法的有效性。     

Optical sequence generation based on collision avoidance usingchaotic mode transitions

An adaptive optical sequence generation scheme has been described in a nonlinear optical ring which exhibits chaotic dynamics. The adaptation is based on avoidance of collisions between the ring output and signals from another source. It is shown that collision-avoiding sequences can be autonomously selected via chaotic mode transitions induced by the feedback of collision signals. Experimental results demonstrate that the method can be successful for various collision signal patterns with different periods and pulsewidths. The mechanism of inducing chaos with collision signals is examined both experimentally and with numerical simulations and the results verify the effectiveness of the proposed adaptation method. A possible application of the proposed signal generation scheme in intelligent optical communication networks is mentioned     

混沌神经网络建模及仿真应用研究

简要的介绍了混沌神经网络的基本理论,对混沌神经网络与非线性建模问题进行了分析．以船舶发电机这一大型非线性系统为例,对其进行混沌神经网络仿真建模研究,提出了用混沌神经网络仿真建模的一般思路和方法．结果显示,将混沌神经网络应用于大型非线性系统的仿真建模是十分成功的．     

基于耦合的混沌神经网络建模方法

混沌状态下神经网络行为的研究是神经网络理论的一个新内容，由于它可能揭示脑活动的深层机制而广受重视，但是混沌网络信息处理能力进行大量和深入研究却遇到许多障碍，其问题之一是难以为网络系统选择适当的非线性参数。本文提出一种建立混沌神经网络模型的简单耦合方法，解决了选择参数的困难，计算机模拟结果表明，用该模型研究混沌状态下网络动态行为是有效的。     

基于混沌参数调制的数字通信方式

提出一种基于混沌参数调制的数字通信方式。即将一个由非线性映射所产生的混沌序列作为载波,将待发送的有用信号（数字信号）作为调制信号,对非线性映射的某一参数在其混沌区域内进行调制。在接收端,利用混沌序列的发生规则从接收信号中提取混沌载波,并经过简单的信号处理运算恢复出原来的有用信号。分析和计算机模拟表明,本文所提出的这种混沌通信系统具有一定的保密性且实现方便、性能可靠     

Extraction of independent signal sources using a deflationaryexploratory projection pursuit network with lateral inhibition

A nonlinear self-organising neural network is proposed, which employs hierarchic linear negative feedback, and this network is applied to the blind separation of independent source signals from their mixtures. Blind separation of sources has become an important area of research, with significant contributions being made from both the statistical signal processing and artificial neural network research communities. A nonlinear extension of a negative feedback network is developed and it is shown that hierarchic linear feedback provides a deflation of the network residuals, which are employed in the Hebbian learning of the network. As each of the output neuron weights converge to a separating vector, then the weighted feedback will remove the contribution of the extracted source from the remaining residual mixture. It is shown that the data driven self-organisation of the proposed network using only Hebbian and anti-Hebbian learning will extract the underlying signals from the received mixture. The results of a simulation are reported, which demonstrates the ability of the network in restoring images after degradation with noise and interfering images     

Adaptive neural network feedback control of a passive line-of-sight stabilization system

An adaptive neural network full-state feedback controller has been designed and applied to the passive line-of-sight (LOS) stabilization system. Model reference adaptive control (MRAC) is well established for linear systems. However, this method cannot be utilized directly since the LOS system is nonlinear in nature. Utilizing the universal approximation property of neural networks, an adaptive neural network controller is presented by generalizing the model reference adaptive control technique, in which the gains of the controller are approximated by neural networks. This removes the requirement of linearizing the dynamics of the system, and the stability properties of the closed-loop system can be guaranteed.