一、混沌噪声背景下检测微弱信号的神经网络方法分析（论文文献综述）
赵胜利,张力芝,苏理云,钟妤玥,邱世芳[1]（2021）在《混沌噪声背景下微弱脉冲信号的分布式检测融合》文中研究指明提出了一种在混沌背景信号中检测脉冲信号的融合算法。首先,基于混沌信号的短期可预测性,对局部传感器的观测分别进行相空间重构,建立线性自回归模型剥离混沌背景噪声,得到单步预测。然后,将单步预测结果视为局部传感器的新的观测,在Bayes准则之下建立了检测融合模型,并对传感器判决规则和融合规则进行了推导,利用高斯赛德尔的思想给出了检测融合算法。仿真实验结果表明:建立的模型和提出的算法能有效检测出混沌噪声背景中的微弱脉冲信号,检测效果明显优于单个传感器的检测效果。
杨帆[2]（2021）在《基于BEL学习网络-GA算法的混沌时间序列预测及微弱脉冲信号检测》文中研究说明
凌秀[3]（2021）在《混沌背景下基于Jordan神经网络的弱脉冲信号估计》文中提出
张力芝[4]（2021）在《基于混沌噪声背景的信号检测融合研究》文中进行了进一步梳理
李雪萌[5]（2021）在《基于极端学习机的混沌时间序列预测及应用》文中研究指明
孙江[6]（2021）在《海杂波背景下的混沌小信号检测方法研究》文中研究说明海杂波信号作为一类典型的雷达干扰回波,它是指海面雷达的后向散射回波,易受到各种外部自然因素影响,如风、潮汐、浪涌等,其物理机理复杂多变,非高斯、非线性和非平稳特性显着,容易对雷达目标检测造成干扰。随着海浪机理以及海杂波特性研究的深入,研究人员发现海杂波存在混沌特性。研究海杂波背景下的混沌小信号检测方法,对建立海洋安全观测监测、海面目标检测系统具有重要的理论研究和应用价值。为了提高海杂波背景下的混沌小信号检测模型检测精度,利用变分模态分解算法（VMD）弥补经验模态分解存在的模态混叠、虚假分量和端点效应缺陷,本文分别提出两种基于变分模态分解的海杂波去噪算法。为了弥补传统微弱信号检测方法在混沌背景下的检测能力较弱的缺陷,考虑到支持向量机算法（SVM）较擅长预测,引入寻优能力较佳的免疫算法（IA）,提出了一种基于IA-SVM模型的混沌小信号检测方法。从合理利用噪声角度出发,结合随机共振理论,利用寻优收敛性好的变种差分进化算法,提出了一种基于变种差分进化算法的随机共振混沌小信号检测方法。具体研究如下:为了分析海杂波的混沌特性,针对如何选择混沌系统相空间重构参数的问题,考虑到确定相空间参数（嵌入维m和时间延迟?）有两个主要研究方向,一是分别研究这两个参数,采用不同方法确定这两个参数,较为繁琐;二是研究嵌入窗?w。研究表明影响重构相空间质量的主要是联合嵌入维和嵌入窗宽。综合分析各类相空间参数确定方法结果基本一致,本文选用较为成熟的C-C法确定相空间嵌入窗,确定嵌入维为5,时间延迟为1。为了提高混沌小信号检测模型的检测精度,本文分别提出了基于VMD的海杂波混合去噪算法和基于VMD的海杂波分布式去噪算法。利用VMD将海杂波信号分解为具有不同中心频宽的变分模态分量（VMF）,分析分解信号的自相关特性。基于VMD的海杂波混合去噪算法对噪声信号进行小波硬阈值去噪处理,基于VMD的海杂波分布式去噪算法结合瞬时半周期（IHP）和小波硬阈值算法对所有分量信号进行都去噪处理,接着对各分量信号重构后完成去噪,最后利用最小二乘支持向量机（LSSVM）海杂波预测模型,比较去噪前后的预测均方根误差判断其去噪效果。实验结果表明,两种去噪算法的去噪效果显着,预测的均方根误差均能降低两个数量级。针对传统微弱信号检测方法在混沌背景下检测能力较弱的缺陷,本文提出了一种基于IA-SVM模型的混沌小信号检测方法。经求嵌入窗宽构建混沌序列相空间后,利用IA算法的寻优能力对SVM中影响预测精度的惩罚系数、核函数以及不敏感损失参数这三个参数进行优化,从而建立混沌时间序列的预测模型,从预测误差中检测混沌噪声背景中的混沌小信号。仿真实验以Lorenz系统的混沌数据和实测雷达的海杂波作为背景噪声,分析IA-SVM模型预测信号信噪比和均方根误差,来判断模型预测性能效果,并与其他预测模型对比。实验验证结果表明,预测信号的均方根误差为0.0001463（信噪比为-104.2473d B）,通过对比分析其他几种模型预测的均方根误差,在信噪比更高情形下的IA-SVM模型的预测误差更小,预测性能更好,更接近实际值。针对传统随机共振小信号检测无法对多参数进行同步调优的缺陷,本文提出了一种基于变种差分进化算法的随机共振混沌小信号检测方法。利用变种差分进化算法对Duffing振子的随机共振系统参数a,b,k进行寻优,以系统输出信噪比为寻优问题的目标函数。为了验证算法的可行性,分别进行低频和高频小信号输入的仿真实验,在低频小信号检测实验中,输出信噪比较混沌变步长萤火虫优化算法平均提升1.98d B;高频小信号检测实验中,结合外差式随机共振理论,能够准确恢复出高频小信号对应低频段处的小信号,进一步推导出高频小信号的存在;对实测海杂波数据进行仿真实验,实验结果表明该方法能够有效地检测出淹没在海杂波背景下的混沌小信号。
孙江,行鸿彦,吴佳佳[7]（2020）在《基于IA-SVM模型的混沌小信号检测方法》文中进行了进一步梳理针对传统微弱信号检测方法在混沌背景下的检测能力较弱,提出了一种基于IA-SVM模型的混沌小信号检测方法。该方法经求嵌入窗构建混沌相空间后,利用免疫算法寻优能力对支持向量机中影响预测精度的三个参数进行优化,从而建立混沌时间序列的预测模型。实验验证结果表明,预测信号的均方根误差为0.000 146 3（信噪比为-104.247 3 dB）,较传统微弱信号检测方法有着显着优势。
邓莉[8]（2020）在《基于深度学习模型的混沌噪声干扰下微弱脉冲信号的统计检测与估计》文中指出微弱信号检测是机器故障诊断等现代检测中一个重要的问题。其方法原理是利用信号处理理论和概率统计方法,研究观测信号的特性,分析产生干扰或噪声的原因,对此进行统计刻画,从而检测和估计出湮没在噪声中的微弱信号。混沌的独特性以及深度学习模型良好的学习能力,为微弱信号检测与估计提供了新的思路和方法。混沌现象普遍存在于自然界和社会生活中,混沌现象是物体不断以某种规则复制前一阶段的运动状态,而产生无法预测的一种随机效果。所谓“差之毫厘,失之千里”正是此现象的最佳体现。混沌运动对初值有着极度敏感性,一方面反映在非线性动力学系统里,随机性系统运动趋势的强烈影响,另一方面也导致系统长时间行为的不可预测性。随着混沌理论的不断成熟发展与深入应用,使其在微弱信号检测与估计领域成为一个研究热点。深度学习源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构。深度学习是机器学习研究中一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习模型突出的学习能力和良好的非线性逼近能力,为提高微弱信号的检测与估计精度提供了新的研究方向。本文运用深度学习模型对混沌噪声干扰下微弱脉冲信号进行研究。首先,阅读大量文献总结分析微弱信号检测的相关研究;其次,阐述了混沌理论、深度学习等相关基础理论知识;然后,着重基于Elman深度学习神经网络对微弱脉冲信号进行检测与估计。对混沌噪声下微弱脉冲信号的检测问题,利用混沌信号的短期可预测性,对观测信号进行相空间重构,建立Elman深度学习自适应检测模型（Elman deep learning adaptive detection model,EDAD）,通过假设检验从预测误差中检测出观测信号中是否含有微弱脉冲信号。在微弱脉冲信号的估计问题上,对微弱脉冲信号建立了单点跳跃模型,并耦合Elman深度学习神经网络模型,构建双层Elman深度神经网络恢复模型（Double-layer Elman deep neural network recovery model,DEDR）,以极小化Elman模型的均方预测误差为目标进行优化。由于DEDR模型本质上是一个包含参数部分和非参数部分的半参数化模型,因此针对微弱脉冲信号难以估计的问题,采用Profile最小二乘法（Profile Least square,PLS）来估计DEDR模型的参数。最后,基于Lorenz混沌系统,使用R软件对构建的模型编程进行仿真实验。研究结果表明:（1）构建的EDAD模型能有效的检测出微弱脉冲信号,同时采用准确率（ACC）评估模型检测性能,证实本文所构建的模型具有较好的检测效果。（2）构建的DEDR模型能实现在较低工作门限下对混沌噪声干扰下的微弱脉冲信号进行估计,估计值与真实值之间的误差较小,基本都在0.002%之下。（3）针对不同强度脉冲信号,本文所构建的检测和估计模型能利用较少的数据实现较低的信干比工作门限,并保持较高水平的预测精度。（4）进一步和不同模型进行性能比较,发现本文模型的优势更加明显:其检测能力更强,估计效果更好。
朱万林[9]（2020）在《混沌背景下基于经验似然比方法的弱谐波信号检测》文中研究表明微弱信号是传统方法很难检测到的微弱量,相对于噪声而言,不仅是指信号的幅值很小,主要是指被噪声淹没的信号和低信噪比的信号。微弱信号检测采用电子学、信息学和概率统计等方法研究被检测信号的特性,分析噪声的组成成分,检测方法被应用于众多领域。大多数情况下,工程中的微弱信号检测问题可简化强混沌噪声干扰下的微弱谐波信号检测问题。混沌系统由于其众多的优良性质,在微弱信号检测领域得到了广泛的应用。所以基于混沌背景噪声下的微弱信号检测问题成为研究热点。本文将混沌理论和信号检测技术相结合,对强混沌背景噪声下的弱谐波信号检测方法展开研究。由于弱谐波信号淹没在混沌背景噪声下,可以通过一维混沌时间序列（观测信号）逆向构建原始混沌系统的结构。首先,利用相空间对观测信号进行重构,然后使用线性模型或单指标模型逼近相空间的映射函数,建立混沌预测模型和并得到预测误差,然后使用经验似然比方法从预测误差中检测观测信号中是否含有微弱谐波信号。经验似然比检测方法:根据混沌预测模型构建估计方程;进一步构建经验似然比函数,使用拉格朗日乘子法求解经验似然比函数,及序列二次规划法优化参数,最后将参数代入R统计量并与卡方值比较,从而检测混沌背景噪声下的微弱谐波信号。最后以Lorenz系统和Rossler系统生成混沌背景信号进行仿真模拟。研究结果表明:（1）根据对混沌时间序列的预测结果分析,混沌线性模型和混沌单指标模型对观测信号预测的均方误差MSE都大于门限值0.1。从预测精度上看,混沌单指标模型比混沌线性模型更好。两个模型对混沌系统生成混沌背景噪声信号预测的均方误差MSE都小于门限值0.1。通过与门限值的对比发现,两个模型都能检测到微弱信号的存在。（2）基于Lorenz系统,经验似然比方法能检测到信噪比低至-63.237dB的微弱谐波信号,当微弱谐波信号的振幅?（28）1时,经验似然比方法检测正确率为99.8%。基于Rossler系统,当微弱谐波信号的振幅?（28）0.6时,检测正确率为97.4%,优于其他的检测方法。
沈洁[10]（2019）在《基于改进教学优化算法的海杂波微弱信号检测方法研究》文中指出在复杂海洋环境条件下,海上目标的探测受海杂波的影响较大。海杂波影响因素众多,机理复杂,特征描述难度大,如何有效、准确地将海杂波中的微弱目标检测出来,成为雷达信号处理领域的热点之一。本文对海杂波背景下的微弱信号检测模型进行了深入的研究,为了解决传统预测模型精度不高、效率低下等问题,分别提出了基于改进教学优化算法的海杂波中检测微弱信号的贝叶斯回声状态网络方法和组合支持向量机方法,具体研究内容如下:为了提高回声状态网络的泛化能力,将贝叶斯理论与回声状态网络相结合构成模型主体。由于贝叶斯回声状态网络模型参数的选取存在难度,采用全局搜索能力较强的改进教学优化算法选取最优参数,建立混沌背景下的单步预测模型,通过预测误差幅值的变化判断混沌背景中是否存在微弱信号。分别以Lorenz系统产生的时间序列和实测的海杂波数据作为混沌背景噪声进行实验研究,仿真结果表明,与遗传算法优化后的回声状态网络模型和神经网络模型相比,改进教学优化算法优化后的贝叶斯回声状态网络模型的预测精度和效率更高,能高效检测出混沌背景中的微弱信号,且具有较低的检测门限。为了提高支持向量机对复杂非线性问题的处理能力,结合相空间重构理论,提出了基于改进教学优化算法优化组合支持向量机的微弱信号检测方法。将RBF核函数和多项式核函数线性组合构成组合支持向量机,采用具有强寻优能力的改进教学优化算法对组合支持向量机进行优化,根据得到的最佳模型参数建模、训练和预测。分别以Lorenz系统产生的时间序列和实测海杂波数据作为混沌噪声进行研究,仿真结果表明,组合支持向量机方法能有效地将混沌背景中的微弱信号检测出来,与其他优化后的支持向量机和贝叶斯回声状态网络模型相比,改进教学优化算法优化后的组合支持向量机模型的预测性能更高。通过对改进教学优化算法、回声状态网络、支持向量机理论进行分析,结合相空间重构理论,建立基于改进教学优化算法的海杂波背景中的微弱信号检测模型,对监测海面安全具有重要意义和应用价值。
二、混沌噪声背景下检测微弱信号的神经网络方法分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、混沌噪声背景下检测微弱信号的神经网络方法分析（论文提纲范文）
（1）混沌噪声背景下微弱脉冲信号的分布式检测融合（论文提纲范文）
| 1 混沌噪声背景下脉冲信号的分布式检测问题 |
| 1.1 分布式检测融合系统 |
| 1.2 微弱脉冲信号的检测融合问题 |
| 1.2.1 局部传感器微弱脉冲信号的检测 |
| 1.2.2 融合中心局部检测结果的融合 |
| 2 局部观测相空间重构与LAR模型 |
| 2.1 观测信号的相空间重构 |
| 2.2 线性自回归(LAR)模型 |
| 2.3 LAR模型的优劣性检验 |
| 3 混沌噪声背景下微弱脉冲信号的检测融合 |
| 3.1 分布式检测融合优化模型 |
| 3.2 局部判决规则与融合规则 |
| 3.2.1 融合规则 |
| 3.2.2 局部判决规则 |
| 3.2.3 迭代算法 |
| 4 仿真实验结果与分析 |
| 4.1 实验一:微弱信号的存在性检验 |
| 4.2 实验二:LAR模型的性能评估 |
| 4.3 实验三:检测融合算法收敛性与性能评估 |
| 4.4 实验四:不同场景下检测融合结果的比较 |
| 5 结论 |
（6）海杂波背景下的混沌小信号检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 混沌相空间重构理论及其参数确认方法研究 |
| 2.1 混沌理论分析 |
| 2.1.1 混沌的定义 |
| 2.1.2 混沌的特征 |
| 2.1.3 混沌吸引子模型 |
| 2.2 混沌的识别 |
| 2.2.1 混沌的定性分析 |
| 2.2.2 混沌的定量分析 |
| 2.3 混沌相空间重构及其参数选择 |
| 2.3.1 混沌相空间重构理论 |
| 2.3.2 嵌入维与时间延迟的确定 |
| 2.3.3 嵌入窗的确定 |
| 2.4 本章小结 |
| 第三章 基于变分模态分解算法的海杂波去噪研究 |
| 3.1 变分模态分解算法 |
| 3.1.1 经验模态分解预处理 |
| 3.1.2 变分模态分解 |
| 3.2 基于变分模态分解的海杂波混合去噪算法 |
| 3.2.1 自相关特性分析和小波阈值滤波 |
| 3.2.2 仿真实验 |
| 3.3 基于变分模态分解的海杂波分布式去噪算法 |
| 3.3.1 分布式去噪算法 |
| 3.3.2 实验与分析 |
| 3.4 本章小结 |
| 第四章 基于IA-SVM模型的混沌小信号检测方法 |
| 4.1 支持向量机 |
| 4.2 基于IA-SVM模型的混沌小信号检测方法 |
| 4.2.1 免疫算法 |
| 4.2.2 免疫算法优化支持向量机 |
| 4.3 海杂波背景下的混沌小信号检测仿真 |
| 4.4 本章小结 |
| 第五章 基于变种差分进化算法的随机共振混沌小信号检测方法 |
| 5.1 随机共振理论分析 |
| 5.1.1 Duffing振子的双稳态随机共振系统 |
| 5.1.2 随机共振基本理论 |
| 5.1.3 外差式随机共振 |
| 5.2 变种差分进化算法 |
| 5.3 实验仿真分析 |
| 5.3.1 低频小信号检测 |
| 5.3.2 高频小信号检测 |
| 5.3.3 海杂波背景下的混沌小信号检测 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新与特色 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 一、基本情况 |
| 二、课程学习情况 |
| 三、参与研究课题情况 |
| 四、发表学术论文及专利情况 |
| 五、获奖情况 |
（7）基于IA-SVM模型的混沌小信号检测方法（论文提纲范文）
| 0 引言 |
| 1 混沌相空间重构和支持向量机 |
| 1.1 混沌相空间重构 |
| 1.2 支持向量机 |
| 2 基于IA-SVM模型的微弱信号检测方法 |
| 2.1 免疫算法 |
| 2.2 免疫算法优化支持向量机模型 |
| 3 混沌海杂波背景的微弱信号检测仿真 |
| 3.1 实验一 |
| 3.2 实测海杂波数据选用IPIX雷达采集的数据 |
| 4 结论 |
（8）基于深度学习模型的混沌噪声干扰下微弱脉冲信号的统计检测与估计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究目的与主要内容 |
| 1.2.1 研究目的 |
| 1.2.2 主要研究内容 |
| 1.3 研究方法 |
| 1.4 研究框架 |
| 1.5 创新点与不足点 |
| 2 文献综述 |
| 2.1 混沌噪声干扰下微弱信号检测的国内外研究 |
| 2.2 基于深度学习模型的微弱信号检测国内外研究 |
| 2.3 本章小结 |
| 3 预备理论知识 |
| 3.1 混沌相关知识 |
| 3.1.1 混沌的定义 |
| 3.1.2 混沌运动的基本特征 |
| 3.1.3 混沌理论的发展应用 |
| 3.1.4 相空间重构理论 |
| 3.1.5 混沌时间序列的预测 |
| 3.2 深度学习相关知识 |
| 3.2.1 浅析深度学习 |
| 3.2.2 人工神经网络 |
| 3.2.3 RBF神经网络 |
| 3.2.4 Elman深度学习神经网络 |
| 3.3 本章小结 |
| 4 基于深度学习模型的混沌噪声干扰下微弱脉冲信号的检测 |
| 4.1 混沌噪声干扰下微弱脉冲信号的检测思路 |
| 4.2 EDAD微弱脉冲信号检测方法实现 |
| 4.2.1 信号检测问题转化 |
| 4.2.2 Elman深度学习自适应检测模型 |
| 4.3 检测器性能评估 |
| 4.4 本章小结 |
| 5 基于深度学习模型的混沌噪声干扰下微弱脉冲信号的估计 |
| 5.1 混沌噪声干扰下微弱脉冲信号的估计思路 |
| 5.2 DEDR微弱脉冲信号估计方法实现 |
| 5.2.1 双层Elman深度神经网络恢复模型 |
| 5.2.2 DEDR模型的参数估计 |
| 5.2.3 DEDR估计算法步骤 |
| 5.3 估计性能评估 |
| 5.4 本章小结 |
| 6 仿真实验结果与分析 |
| 6.1实验一:微弱脉冲信号存在性的检测实验 |
| 6.2实验二:检测模型性能检测实验 |
| 6.3实验三:微弱脉冲信号的估计实验 |
| 6.4实验四:不同强度脉冲信号的检测与估计实验 |
| 6.5 实验五:不同模型的性能比较 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（9）混沌背景下基于经验似然比方法的弱谐波信号检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究目的及主要内容 |
| 1.2.1 研究目的 |
| 1.2.2 研究内容 |
| 1.3 研究方法 |
| 1.4 研究框架 |
| 1.5 创新与不足 |
| 2 文献综述 |
| 2.1 混沌的研究 |
| 2.2 混沌时间序列预测的研究 |
| 2.3 经验似然比的研究 |
| 2.4 混沌背景噪声下微弱谐波信号检测的研究 |
| 2.5 小结 |
| 3 预备知识 |
| 3.1 混沌相关知识 |
| 3.1.1 混沌的定义 |
| 3.1.2 混沌运动的主要特点 |
| 3.2 相空间重构理论 |
| 3.2.1 相空间重构的Takens嵌入定理 |
| 3.2.2 相空间重构参数的确定 |
| 3.3 混沌时间序列预测 |
| 3.3.1 全域法 |
| 3.3.2 局域法 |
| 3.4 经验似然比 |
| 4 基于混沌线性模型的混沌噪声干扰下微弱谐波信号的经验似然比检测 |
| 4.1 微弱谐波信号的检验模型 |
| 4.2 混沌线性模型 |
| 4.3 经验似然比检验方法 |
| 5 基于混沌单指标模型的混沌噪声干扰下微弱谐波信号的经验似然比检测 |
| 5.1 混沌单指标模型 |
| 5.2 经验似然比检验方法 |
| 5.3 主要结论的证明 |
| 6 仿真实验结果及分析 |
| 6.1 Lorenz系统 |
| 6.1.1 混沌模型预测效果评估 |
| 6.1.2 微弱谐波信号存在性检测 |
| 6.1.3 不同强度的微弱谐波信号检测 |
| 6.1.4 不同检测方法性能比较 |
| 6.2 Rossler系统 |
| 6.2.1 混沌模型预测效果评估 |
| 6.2.2 微弱谐波信号存在性检测 |
| 6.2.3 不同强度的微弱谐波信号检测 |
| 6.2.4 不同检测方法性能比较 |
| 7 结论 |
| 8 总结与展望 |
| 8.1 全文总结 |
| 8.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（10）基于改进教学优化算法的海杂波微弱信号检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 混沌理论和改进教学优化算法 |
| 2.1 混沌理论 |
| 2.1.1 混沌 |
| 2.1.2 典型的混沌系统 |
| 2.1.3 混沌特征量 |
| 2.1.4 相空间重构理论 |
| 2.2 改进教学优化算法 |
| 2.2.1 教授阶段 |
| 2.2.2 学习阶段 |
| 2.2.3 反馈阶段 |
| 2.2.4 适应度函数 |
| 2.3 本章小结 |
| 第三章 一种ITLBO-BESN的微弱信号检测方法 |
| 3.1 基于回声状态网络的直接预测方法 |
| 3.1.1 回声状态网络结构 |
| 3.1.2 基于ESN的混沌时间序列预测方法 |
| 3.2 贝叶斯优化回声状态网络 |
| 3.3 BESN模型参数分析 |
| 3.4 基于ITLBO-BESN的微弱信号检测方法 |
| 3.5 仿真实验 |
| 3.5.1 微弱瞬态信号和周期信号检测 |
| 3.5.2 海杂波背景下微弱信号检测 |
| 3.6 本章小结 |
| 第四章 一种ITLBO-CSVM的微弱信号检测算法 |
| 4.1 支持向量机 |
| 4.2 组合核函数 |
| 4.3 基于ITLBO-CSVM的微弱信号检测方法 |
| 4.4 仿真实验 |
| 4.4.1 ITLBO-BESN模型参数分析及验证 |
| 4.4.2 微弱瞬态信号和周期信号检测 |
| 4.4.3 海杂波背景下微弱信号检测 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、混沌噪声背景下检测微弱信号的神经网络方法分析（论文参考文献）
- [1]混沌噪声背景下微弱脉冲信号的分布式检测融合[J]. 赵胜利,张力芝,苏理云,钟妤玥,邱世芳. 重庆理工大学学报(自然科学), 2021(10)
- [2]基于BEL学习网络-GA算法的混沌时间序列预测及微弱脉冲信号检测[D]. 杨帆. 重庆理工大学, 2021
- [3]混沌背景下基于Jordan神经网络的弱脉冲信号估计[D]. 凌秀. 重庆理工大学, 2021
- [4]基于混沌噪声背景的信号检测融合研究[D]. 张力芝. 重庆理工大学, 2021
- [5]基于极端学习机的混沌时间序列预测及应用[D]. 李雪萌. 重庆理工大学, 2021
- [6]海杂波背景下的混沌小信号检测方法研究[D]. 孙江. 南京信息工程大学, 2021(01)
- [7]基于IA-SVM模型的混沌小信号检测方法[J]. 孙江,行鸿彦,吴佳佳. 探测与控制学报, 2020(03)
- [8]基于深度学习模型的混沌噪声干扰下微弱脉冲信号的统计检测与估计[D]. 邓莉. 重庆理工大学, 2020(08)
- [9]混沌背景下基于经验似然比方法的弱谐波信号检测[D]. 朱万林. 重庆理工大学, 2020(08)
- [10]基于改进教学优化算法的海杂波微弱信号检测方法研究[D]. 沈洁. 南京信息工程大学, 2019(03)