基于AR模型与神经网络的核爆与闪电电磁脉冲信号识别

 对平稳随机信号功率谱估计的AR模型,分别利用自相关函数法和Burg算法求该模型系数,作为核爆炸和闪电电磁脉冲信号的特征值;采用BP神经网络作为分类器以及不同的隐含层数和隐含层节点数,对核爆和闪电电磁脉冲实测数据进行识别研究。结果表明：AR参数模型法对两类信号特征值提取是非常有效的,采用Burg算法来求AR模型参数,其特征值提取效果优于自相关函数法。     

基于HHT与LSSVM的远区核爆电磁脉冲识别

为实现远区核爆电磁脉冲（NEMP）和闪电电磁脉冲（LEMP）的有效识别,提出一种基于希尔伯特黄变换（HHT）和最小二乘支持向量机（LSSVM）的识别算法。采用希尔伯特黄变换对远区NEMP和LEMP进行分析,利用两种信号的Hilbert谱在不同频带上分布的差异性,选择谱图中两个区域的能量占比作为信号的特征,选择LSSVM作为分类器进行分类识别。实验结果表明,采用能量占比特征可有效识别NEMP和LEMP,且综合识别率可达到98.59%。     

小波包分形在远区核爆电磁脉冲识别中的应用

针对远区核爆电磁脉冲(NEMP)和闪电电磁脉冲(LEMP)的识别率不能满足实际需求的问题,提出了一种基于小波包分形技术的识别方法。首先,对实测的NEMP和LEMP做插值、归一化等预处理;然后,基于小波包理论对预处理后的信号进行2层小波包分解,并利用小波包系数重构信号的分形维数,组成信号的特征向量;最后,采用最小二乘支持向量机(LSSVM)作为分类器,利用五折交叉验证法选取最优的模型参数,将特征向量输入分类器中进行训练后获得测试结果。实验结果表明,小波包分形方法在NEMP和LEMP的识别上效果显著,平均识别率达到99%以上,具有较高的应用价值。     

基于强耦合Duffing振子的微弱脉冲信号检测与参数估计

耦合Duffing振子在检测强噪声中的微弱脉冲信号时具有可检测信噪比低等优点,但目前检测模型还存在系统性能与初始状态有关、只能工作在倍周期分岔状态等缺陷.为此本文构建了一种能克服上述缺点的新的微弱脉冲信号检测模型,通过对两个Duffing振子同时施加较大的恢复力和阻尼力耦合,可使振子间产生广义的"阱内失同步"现象,基于这种现象可实现微弱脉冲信号的检测与恢复.以信噪比改善和波形相似度为衡量指标,研究了周期策动力幅值与周期、耦合系数、计算步长、阻尼系数等参量对模型信号检测与波形恢复效果的影响.对方波、双指数脉冲和高斯导数脉冲进行检测和恢复的实验结果表明,本文所构建的模型能够在较低信噪比条件下有效地检测并恢复出高斯白噪声背景中的微弱脉冲信号,进而改善了现有的Duffing振子对非周期脉冲信号的检测能力并扩展了其应用领域.