混沌时间序列预测及其混沌理论在通信信号调制识别中的应用

摘要

该文围绕混沌时间序列预测和混沌应用在通信信号调制类型识别两个方面内容展开研究.王要网容为:(1)非线性自适应滤波器对混沌时间序列及跳频码的预测;(2)常用的神经网络(BP网络RBF网络)的建模和对混沌时间序列及跳频码的预测.(3)一种对混沌时间序列的快速预测方法;(4)基于混沌理论提取通信信号调制类型的特征参数;(5)利用模糊测度和模糊积分理论设计了组合分类器. 该文的创新之处在:1. 研究了二阶volterra自适应滤波器的收敛性;由于volterra自适应滤波器的预测性能主要依赖于自适应算法,而自适应滤波器的收敛性是评判自适应算法好坏的一个重要标准,因此研究了:控制参数与预测误差的收敛关系,初始滤波器系数与预测误差收敛的关系,滤波器系数之间的收敛关系,预测误差与滤波器系数的收敛关系,滤波器阶数m与滤波器系数h(n)的收敛关系.2.非线性自适应滤波器的定阶;由于基于非线性自适应滤波器技术提出的非线性自适应滤波器的阶数是人为确定,而滤波器的阶数不但影响时间序列的预测精度,而且关系到实现该滤波器的计算复杂度.从理论和实验得出非线性自适应滤波器(包括二阶和高阶自适应滤波器)的最优维数,并给出一种算法确定滤波器最优输入维数.3.针对实际工程应用要求(实时性),提出了对混沌时间序列的一种快速预测方法;利用hopfield神经网络具有快速的收敛性,可利用软硬件实现的优点,提出了基于hopfield神经网络的快速预测方法,该方法把二阶volterra预测滤波器和hopfield神经网络结合起来构成了新的预测方法,该方法对工程上要求实时性的问题提供了一种解决方案.4.跳频码的动力学特征分析;跳频码是由确定性的规则产生的伪随机序列.它与混沌时间序列都表现出外在的随机性.利用动力系统方法研究了几种跳频码(m序列,RS序列,非线性序列及混沌序列)的动力学特性(相关维数与最大李雅普诺夫指数),结果表明跳频码表现出混沌的特征.5.基于混沌理论提出的混沌预测方法对实际跳频码进行了预测研究;跳频码是由确定的机制产生的伪随机序列,表现出混沌的特征,因而可用混沌预测方法对跳频码进行预测,研究表明神经网络和非线性自适应滤波预测都能对跳频码进行有效的预测,但非线性自适应滤波预测预测速度快,且准确率高.6.混沌理论在通信信号调制识别方面的应用;利用混沌理论可对混沌时间序列的复杂度描述和刻划,提出了提取通信信号调制类型的特征参数(分形特征和Lempel-Ziv复杂度特征),这两种特征对于通信信号信噪比在较大范围的变化,体现出良好的类内聚集程度和类间分离程度,因而提高了分类识别率,同时也降低了分类器的复杂度,关于分形特征参数,从理论上说明了该特征参数对噪声不敏感,另外,利用模糊测度和模糊积分理论,设计了组合分类器,该组合分类器利用了单个分类器不同的重要测度,采用模糊积分作为组合规则,显著地提高了通信信号调制类型整体识别率,克服了单个分类器对某种调制类型的局限性.

目录

文摘

英文文摘

声明

第一章绪论

1.1混沌概述

1.2混沌时间序列预测概述

1.3通信信号调制识别概述

1.4本文的主要工作和章节安排

第二章混沌时间序列的动力学特征提取

2.1引言

2.2重构窗口的选择

2.3最大李雅普诺夫指数的计算

2.4相关维数

2.5跳频码的动力学特性参数提取

2.6小结

第三章Volterra自适应预测

3.1引言

3.2二阶Volterra自适应预测滤波器

3.2.1非线性动力系统与时间序列建模

3.2.2 Volterra自适应预测滤波器

3.2.3二阶Volterra自适应预测滤波器的性能实验及讨论

3.3高阶Volterra自适应滤波预测器

3.4 Volterra自适应滤波器的最优输入维数

3.4.1 Volterra自适应滤波器的定阶

3.4.2Volterra自适应滤波器实验

3.5 Volterra自适应滤波器对几类跳频码的预测

3.6小结

第四章混沌时间序列的神经网络建模与预测研究

4.1神经网络研究概况

4.2混沌时间序列的神经网络建模

4.2.1引言

4.2.2 BP网络的建模和预测研究

4.2.3 RBF神经网络建模与预测研究

4.3用Hopfield网络实现快速预测

4.4神经网络方法和Volterra自适应滤波预测方法对非线性跳频码预测性能比较研究

4.5小结

第五章通信信号的特征提取

5.1引言

5.2利用分形理论提取通信信号的分数维

5.3利用复杂度理论对通信信号进行特征提取

5.4小结

第六章分类器

6.1引言

6.2基于模糊积分的组合分类器

6.2.1模糊积分理论。

6.2.2模糊积分组合分类器

6.2.3模拟结果

6.3小结

第七章全文总结

参考文献

致谢

个人简历、在学期间的研究成果及发表的学术论文