混沌光学系统的神经网络自适应控制研究

提出一种用于混沌光学系统控制的神经网络自适应控制技术。以一前向神经网络作为受控混沌光学系统的系统辩识器，由此神经网络系统辩识器与受控混沌光学系统输出差值作为负反馈对受控混沌光学系统控制参数进行调整达到控制目的。由于所使用神经网络系统辩识器在常规ＢＰ算法的支持下可从受控混沌光学系统的输出时间序列进行动力学模型重构，因而特别适用于对未知动力学表述的混沌光学系统进行控制。以对布喇格声光双稳混沌系统的系统辩识及自适应控制为例，对此神经网络自适应控制技术可行性进行了示例证明。     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

不确定蔡氏电路混沌系统的神经网络优化控制

该文研究了不确定非线性蔡氏电路混沌系统的动态神经网络在线辨识和跟踪控制问题.利用无源技术得出梯度下降算法调整神经网络辨识器权值的稳定性定理,然后在辨识模型基础上设计局部优化控制器,将蔡氏混沌系统镇定到期望目标轨迹,并保证跟踪误差有界.数值仿真结果表明了所提出方法的有效性.     

前向神经网络训练的一种快速收敛算法

本文介绍了用于训练前向神经网络的一种算法。本算法基于ＲＬＳ算法，它以输入数据的瞬时变化来寻找最佳权值，以运算的复杂性来换取快速收敛。它与ＢＰ算法相比，迭代次数少于ＢＰ算法的３０％，并且初始值的设置受网络限制很小。     

光学双稳、非稳、混沌及动力学存储实验系统

设备仪器的用途和整体性能：该仪器是集计算机、激光器、电路系统、光电转换等为一体的综合性设备,除能完成“光学双稳”方面仪器名称为“低反射率Ｆ－Ｐ干涉仪及调制测量系统”（此仪器尚无生产厂家）外,还增设了相关的科学前沿热点课题：光学非稳、混沌振荡及动力学存储等前沿课题．它可以开设如下几个实验： １、晶体电光调制． ２、用实验与理论拟合的方法测定系统的实验参数． ３、光学双稳、多稳,光开关和光强稳定特性． ４、光学非稳、混沌振荡及混沌控制． ５、光学动力学存储． 上述五个实验中前三个实验是基础实验,可作为本科…     

模糊神经网络在火灾探测中的应用

本文提出了串联模糊神经网络应用于火灾探测系统，首先将输入信号模糊化后迭送入神经网络进行处理，其模糊系统用指征定义隶属度函数，神经网络采用三层前馈ＢＰ网络结构，用ＢＰ算法进行网络参数的训练。其后由模糊逻辑判决火灾或非火灾。实验结果表明该网络能够准确探测各种标准试验火并有很强的抗干扰能力。     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

一种基于神经网络跟踪控制的稳定性分析

本文针对一种标准形式的未知非线性系统的输出跟踪控制构造了一种基于多层前馈神经网络的的非线性学习控制系统，并利用ＢＰ学习算法训练好的神经网络构造了一个自适应输出跟踪控制结构。     

PID神经网络在飞控解耦中的仿真研究

在进行飞行控制律设计时,为了获得好的控制品质,有必要对各输出量进行解耦,并且使控制器能根据被控对象动力学特性的改变而自适应调整。为此,介绍了两种PID神经网络解耦控制结构和一种神经网络辨识器,并分别给出了PID神经网络解耦控制器和辨识器的前向算法及反向传播算法;最后分别应用两种解耦方法针对飞机横侧向线性模型进行计算仿真,得到了两种解耦结果;证明了PID神经网络解耦控制的有效性,并比较了两种结构的优缺点。     

一种基于L-M算法的组合神经网络模糊控制器

提出了一种基于L-M算法的神经网络模糊控制器。用两个相同的三层前向神经网络①和②来生成E和EC的隶属度,用三层前向神经网络③来实现模糊控制规则并生成控制输出,经过研究和对比选择了对于这3个网络来说最好的训练算法Levenberg-Marquardt算法。仿真结果表明了该控制器极好的控制性能。     

CO-OFDM系统中利用阈值功率点改进的后向传输补偿算法

采用后向传输(BP)补偿算法补偿相干光正交频分复用(CO-OFDM)通信系统的非线性损伤是一种具有应用前景的方法。本文针对后向传输(BP)补偿算法计算复杂度高的问题,根据相干光正交频分复用(CO-OFDM)系统中非线性损伤与光功率的关系,通过选取合适的阈值功率点降低BP补偿算法的高计算复杂度。仿真结果表明,提出的方法可以大大降低BP补偿算法的计算复杂度,同时克服了传统算法过补偿的缺点,系统性能也得到提升。在100Gbit/s的CO-OFDM系统中,采用衰减因子为0.2dB/km的零色散光纤,信号传输3 200km(32×100km),光信噪比(OSNR)为16dB时,在选取合适的阈值功率点后,所需的BP补偿步骤数目由传统算法N=61降低为N=13,计算复杂度仅为原来的13/61。此外,采用改进的BP补偿算法补偿之后,系统的Q因子增加了0.204dB。     

混沌动力学系统的神经网络学习控制研究

针对混沌动力学系统建模困难，控制不易实现，存在干扰等特点，在附加动量法的自适应BP网络的基础上，研究了混沌动力学系统的学习控制策略。构建了混沌动力学系统的NN模型和NN控制器，对混沌系统在学习的同时施加控制，仿真实验结果表明，该控制策略具有鲁棒性强，有良好的适应性，网络参数训练时间短等优点。     

Research on image encryption based on Erbium-doped fiber laser system with optical delay feedback

A novel image encryption algorithm that based on Erbium-doped fiber laser with an optical delay feedback (ODF-EDFL) system is proposed in this paper. First, by the dynamic analysis of this system, two different chaotic sequences are generated. Meanwhile, the statistic characteristic is verified on this chaotic sequence. On this basis, the image encryption algorithm is designed by using this chaotic sequence: the gray value of the original image is substituted with the chaotic sequence at beginning; then the space array of the image's pixel is mixed up by using both two chaotic sequences. The experimental results show that the proposed method can encrypt digital images quickly and effectively.     

光反馈垂直腔面发射半导体激光器的混沌驱动同步在保密通信中的应用

基于光反馈垂直腔面发射半导体激光器(VCSELs)混沌驱动同步,提出了一种光反馈VCSELs混沌保密通信系统。通过模拟信号和数字信号在该系统的混沌保密通信的实现,验证了该系统的可行性。进一步利用该方案实现了对文字和数字图像的保密通信,并对解密图像及原始图像灰度值的差值做了相关计算。数值模拟结果说明该通信方案具有良好的解密效果。     

利用耦合时延增强激光混沌系统安全性能研究

安全性是混沌通信中的重要问题。基于一个外光反馈半导体激光器驱动两个互耦合激光器的混沌通信系统,研究激光混沌系统中反馈时延与耦合时延特征,并应用龙格-库塔法进行动态仿真。重点分析了当调节一些可控参数(耦合时延和驱动强度)时,能够改变两耦合激光器输出自相关函数中反馈时延和耦合时延幅值的差异,以此掩藏反馈时延,从而得出更优载波。仿真结果说明利用耦合时延可以增强激光混沌系统的安全性。最后给出了在优化载波后系统同步质量的讨论。     

Dynamic behavior analysis, color image encryption and circuit implementation of a novel complex memristive system

This paper is devoted to introduce a novel four-dimensional memristor-involved system and its applications in image encryption and chaotic circuit. The typical dynamical behaviors of the memristor-involved system are explored, such as chaotic phase potraits, Lyapunov exponent spectrum (LES), bifurcation diagram (BD) and complexity analysis. Then a color image encryption algorithm is designed. In this algorithm, the sequences generated by the four-dimensional memristor-involved system are used in scrambling and diffusion algorithm for three channels. The algorithm analysis results based on key space, key sensitivity, information entropy, histogram distribution, correlation coefficients, data loss and noise attacks indicate that the proposed algorithm can improve the security of the color image encryption algorithm. Finally, the memristor-involved chaotic circuit is implemented by using some discrete components. The experimental results of hardware circuit are consistent with the Multisim simulation results and the numerical simulation results. The research results have certain universality and portability, and can provide technical support for the subsequent analysis of other nonlinear circuits and the application of chaotic secure communication.     

应用于40Gb/s DQPSK光通信系统的LDPC译码算法研究

针对40Gb/s差分正交相移键控(DQPSK)光通信传输系统,提出了低密度奇偶校验(low-density parity-check,LDPC)码译码算法的信息初始化公式,改进了基于置信度传播(belief propagation,BP)的译码算法,并进行了相应的数值仿真和性能分析比较,得到了兼顾性能和译码复杂度的改进型译码算法。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.