基于径向基函数神经网络的混沌干扰信号检测
基于遗传RBF网络的混沌背景微弱信号检测方法
ｌ ｏ ｈ ａｇ ｒｔｍ ｉ
０ 引 言
在一些应用领域 ， 混沌 信号以噪声形式和其他 些不想要的信号存 在， 此时人们通常对在混沌噪 声中信号的检测问题感兴趣 ， 这类信号处理在如海
一
洋杂波中信号检测 ， 混沌保密通信 ， 语音处理等问题 中应用很广 １ ｊ 。因此研究基于混沌动态建模 的信 一
维普资讯
２０ ０ ６牟第 ２ １期
中图分类号 ：Ｐ ８ Ｔ １３ 文献标识码 ： Ａ 文章编号 ：０９ ５２２０ ）２— ０３ ３ １０ —２５ （０６ １ ０７ —０
基 于遗 传 Ｒ Ｆ网络 的 混沌 背景 微 弱 信 号检 测 方 法 Ｂ
徐 炜 ，臧小刚，唐 斌
号检测技 术很有 必要 。
本文利用背景为混沌这一先验知识 ， 出了一 提 种用遗传算法训练的 Ｒ Ｆ 经网络作预测器 的方 Ｂ神 法检测湮没在混沌背景下的微弱正弦信号。这种方 法主要是依据 Ｔｋｎ＿嵌入定理 ， ａｅｓ ８ 对混沌背景进行 相空间重构 ， 采用径向基 函数神经网络建立混沌背
基于RBF神经网络的混沌背景下瞬态弱信号检测
２０ ０ ６正
经网络来进行混沌时间序列的建模和预测。径向基 函数（ Ｂ ） Ｒ Ｆ 网络是一种典型 的局部逼近 网络 ， 对于输入
空问的某个局部区域 ， 只需要调整少数几个权值 ， 网络学习速度快。径 向基 函数神经 网络（ Ｂ Ｎ ） Ｒ Ｆ Ｎ 结构由 个输入层、 一个输出层和具有 个 Ｒ Ｆ Ｂ 神经单元的隐含层组成 。当 Ｒ Ｆ Ｎ用于混沌时间序列预测时， ＢＮ
察量去获得动力系统几何信息的思想 ， 并从理论上证明， 在某种程度上， 用系统的一个观察量可以重构 出原 动力系统模型 ， 而且重构出的模型与用来重构的信号成分无关 Ｊ 。 设有 ｍ维紧致流形 ， 一个定义在 上的混沌动力学系统可用微分方程描述为 （ ＋ ） 西 Ｘ（） 。 ｋ １ ＝ （ ｋ ）
维普资讯
第 ７卷第 ２期
２０ ０ ６年 ４月
空
军
工 程
大
学
学
报（ 自然科学 版）
Ｖｏ． Ｎ ． １７ ｏ２ Ａｐ ． ０ ６ ｒ２ ０
Ｊ Ｕ Ｎ ＬＯ Ｉ Ｏ Ｃ Ｎ ＩＥ ＲＮ ＮＶ ＲＩＹ Ｎ Ｔ Ｒ ＬＳＩＮ ＥＥ Ｉ Ｏ Ｏ Ｒ Ａ ＦＡＲＦ Ｒ ＥＥ ＣＮ Ｅ ＩＣＵ ＩＥ Ｓ （ Ａ Ｕ Ａ ＣＥ Ｃ ＤＴ ＮＪ Ｔ Ｉ
一
减去预测到的混沌信号 ， 将淹没在混沌背景信号 中的瞬态信号检测出来¨ Ｊ 。本文采用 径向基 函数神经网 络（ Ｂ Ｎ ） Ｒ Ｆ Ｎ 对混沌时间序列进行预测。
１ Ｒ Ｆ神经网络重构混沌序列相空间 Ｂ
研究混沌杂波中的信号检测方法的关键是分析混沌时问序列并重构出混沌背景信号的相空问。相空间 是状态矢量在状态空间运动产生的， 是最常用的非线性动力系统模型。Ｔ ｋｎ 提出了用混沌系统的物理观 ａｅｓ
神经网络控制(RBF)
神经网络控制(RBF)神经网络控制（RBF）是一种基于径向基函数（RBF）的神经网络，用于控制系统，其主要功能是通过对输入信号进行处理来实现对系统输出的控制。
通过神经网络控制，控制器可以学习系统的动态行为和非线性模型，从而使得控制器能够自适应地进行调整和优化，实现对系统的精确控制。
RBF 网络通常由三层组成：输入层、隐藏层和输出层。
输入层接受系统的输入信号，并将其传递到隐藏层，隐藏层对输入数据进行处理并输出中间层的值，其中每个中间层神经元都使用一个基函数来转换输入数据。
最后，输出层根据隐藏层输出以及学习过程中的权重调整，计算并输出最终的控制信号。
RBF 网络的核心是数据集，该数据集由训练数据和测试数据组成。
在训练过程中，通过输入训练数据来调整网络参数和权重。
训练过程分为两个阶段，第一阶段是特征选择，该阶段通过数据挖掘技术来确定最优的基函数数量和位置，并为每个基函数分配一个合适的权重。
第二阶段是更新参数，该阶段通过反向传播算法来更新网络参数和权重，以优化网络的性能和控制精度。
RBF 网络控制的优点在于其对非线性控制问题具有优秀的适应性和泛化性能。
另外，RBF 网络还具有强大的学习和自适应调整能力，能够学习并预测系统的动态行为，同时还可以自动调整参数以提高控制性能。
此外，RBF 网络控制器的结构简单、易于实现，并且具有快速的响应速度，可以满足实时控制应用的要求。
然而，RBF 网络控制也存在一些局限性。
首先，RBF 网络需要大量的训练数据来确定最佳的基函数数量和位置。
此外，由于网络参数和权重的计算量较大，实时性较低，可能存在延迟等问题。
同时，选择合适的基函数以及与其相应的权重也是一项挑战，这需要在控制问题中进行深入的技术和经验探索。
总体而言，RBF 网络控制是一种非常有效的控制方法，可以在广泛的控制问题中使用。
其结构简单，性能稳定，具有很强的适应性和泛化性能，可以实现实时控制，为复杂工业控制问题的解决提供了一个重要的解决方案。
基于径向基函数(RBF)神经网络的储层损害诊断技术研究
高等优点， 并在确定影响储层敏感性和各损害类型因素的基础上， 分别收集 了各 数据 ７ ０组 以上 ， 然后进 行 了径 向基 （ Ｂ ） Ｒ Ｆ 网络 训 练和 应 用 ， 别 建 立 了径 向基 分 （Ｂ） Ｒ Ｆ 神经 网络在储层损害敏感性和定量诊断领域 的应用， 实现 了对储层水敏
３４ １
应用基础与工程科学学报
Ｖ ｌ１ ０＿８
网络进行了储层敏感性预测 ， 同时 ，Ｐ网络训练速度慢 ， Ｂ 效率较低 ； 而基于径向基函 数神经 网络 （ Ｂ ） Ｒ Ｆ 具有 比通常的 Ｂ Ｐ方法快 １ ０ 倍 ， 出层是权值的线性组合 ， 以 ０一１ 输 可 在线学习权值等优越性 圳 ． ∞ 故本文在综合分析、 研究的基础上 ， 采用径 向基 函数 （ Ｂ ） Ｒ Ｆ 神经网络进行储层损害预测和诊断 ， 不仅克服 了过去方法的不足 ， 实现了储层损害类型、 原因和程度的定量诊断 ， 且精Βιβλιοθήκη 高 ， 可操作性强 ， 可推广应用．
摘要： 石油勘探开发过程 中会 因各种原 因造成储层损害 ， 在 降低油井产量甚至停
产， 必须 对 损害 储 层进行 准 确定 量诊 断 的基础 上采 取 相应 的解 堵措 施 ， 提高 或 恢
复油井产量． 人工神经 网络法是进行储层损 害诊 断较好 的方法， 目前仅 限于 但 Ｂ Ｐ神 经 网络 ， 改进 的 Ｂ 或 Ｐ神 经 网络 的应 用． 文 通 过对 Ｂ 本 Ｐ神 经 网络和 径 向基
黄 春 蒋官澄２ 纪朝凤 胡冬亮 ， 申延晴４ 宋友贵 ， ， ， ，
（． １ 中石化胜利油 Ｅ ， ｔ山东 东营 ２ ７０ ２ 中国石油 大学石油天然 气工程学 院 ， ５０ ０； ． 北京 １２ ４ ；３ 中石 油大港油 ０２９ ． 田分公 司采油 院， 天津 ３０ ８ ； ． ０ ２ ０ ４ 斯伦 贝谢公 司， 天津 ３０ ８ ） ０ ２ ０
基于熵理论和rbf神经网络的有源压制干扰识别方法
ｍｅａｓｕｒｅｓ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｔｙｐｅｓ ｏｆ ｊａｍｍｉｎｇ. Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａｎ ａｃｔｉｖｅ ｂｌａｎｋｅｔ ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ
信息熵、指数熵以及范数熵ꎬ构建三维特征空间并送入径向基函数( ＲＢＦ) 神经网络进行识别ꎮ 仿真
结果表明ꎬ将熵特征作为特征参数能取得良好的识别效果ꎮ
关键词:干扰识别ꎻ信息熵ꎻ指数熵ꎻ范数熵ꎻＲＢＦ 神经网络
中图分类号:ＴＮ９５７
文献标志码:Ａ
文章编号:１００８ － ８６５２(２０１９)０４ － ００１ － ０５
ｅｎｔｒｏｐｙ ｔｈｅｏｒｙ ｆｏｒ ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ａｃｔｉｖｅ ｂｌａｎｋｅｔ ｊａｍｍｉｎｇ. Ｗｉｔｈ ｔｈｉｓ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄꎬ ＦＦＴ ｏｆ ａｃｔｉｖｅ
ｂｌａｎｋｉｎｇ ｊａｍｍｉｎｇ ｓｉｇｎａｌｓ ｉｓ ｐｅｒｆｏｒｍｅｄ ａｔ ｆｉｒｓｔꎬ ａｎｄ ｔｈｅｎ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｅｎｔｒｏｐｙꎬ ｅｘｐｏｎｅｎｔｉａｌ ｅｎｔｒｏｐｙꎬ ａｎｄ ｎｏｒｍ
ｆｅａｔｕｒｅｓ ａｓ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ｌｅａｄｓ ｔｏ ｇｏｏｄ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ.
Ｋｅｙｗｏｒｄｓ: ｊａｍｍｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎꎻ ｉｎｆｏｒｍａｔｉｏｎ ｅｎｔｒｏｐｙꎻ ｅｘｐｏｎｅｎｔｉａｌ ｅｎｔｒｏｐｙꎻ ｎｏｒｍ ｅｎｔｒｏｐｙꎻ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
基于径向基函数神经网络的压电式六维力传感器解耦算法
基于径向基函数神经网络的压电式六维力传感器解耦算法李映君;韩彬彬;王桂从;黄舒;孙杨;杨雪;陈乃建【摘要】针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法.分析了耦合产生的主要原因,建立了RBF神经网络模型.通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理. 然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据.对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%.结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求.该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题.%For problems of poor linearity and too many inter-dimensional coupling errors of a four-point supporting piezoelectric six-dimensional force sensor, the decoupling algorithms based on Redial Basis Function (RBF) neural network were proposed.Main factors to produce coupling errors were analyzed and the RBF neural network was established.The six-dimensional force sensor was calibrated experimentally to obtain experimental data for decoupling, and the data were processed by the nonlinear decoupling algorithm based on RBF neural network.Then the mapping relation between input and output was acquired by decoupling and the decoupled data from the sensor was obtained.These data were analyzed, and the result shows that the biggest classⅠerror andclassⅡerror by the proposed nonlinear decoupling algorith m based onRBF neural network are 1.29% and 1.56% respectively.The experimental analysis shows that it will effectively reduce the classⅠerrors and the classⅡerrors through nonlinear decoupling algorithm based on RBF neural network, and meets the requirements that the two kinds of error indicators of the sensor should be less than 2%.The proposed algorithm improves the measuring accuracy of sensors and overcomes the difficulty on decoupling.【期刊名称】《光学精密工程》【年(卷),期】2017(025)005【总页数】6页(P1266-1271)【关键词】六维力传感器;压电式传感器;径向基函数神经网络;解耦算法【作者】李映君;韩彬彬;王桂从;黄舒;孙杨;杨雪;陈乃建【作者单位】济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022;济南大学机械工程学院,山东济南 250022【正文语种】中文【中图分类】TP212.9;TN384六维力传感器是指能够同时测量三维空间任意力系中的三维正交力(Fx、Fy、Fz)及三维正交力矩[1](Mx、My、Mz)的测力仪器。
基于径向基函数(RBF)神经网络模型的金融混沌预警研究
ＨＡ Ｎ ｒ ＡＮ ＦＩ ＡＮ Ｎ ＣＥ
基于径 向基函数（ ＢＦ 神经 网络模型建 设 银行 湖 南 总 审计 室 ，湖 南 长 沙 ４ ０ ０ 中 １０ ５）
摘 要 ： 文研 究 了金 融 混 沌 的 预 警 问题 。 用 径 向基 函 数 （ Ｂ ） 经 网 络模 型 对金 融 系统 重 构 相 空 间 中的 相 点 本 利 Ｒ Ｆ神
融 系统 在 运 行 过 程 中 陷 于混 沌 状 态 。 关 键 词 ： 融 混 沌 ； 向基 函数 ； 经 网络 模 型 ； 警 金 径 神 预
中 图分 类 号 ： ８０ Ｆ ３ 文献 标 识 码 ： 文 章 编 号 ：０３ ９ ３ （０ ２０ － ０ ２０ ＯＩ１．９ ９ ．ｓ ． ０ — ０ １ ０ ２０ ．８ Ａ １０ — ０ １２ １ ）６ ０ ３ － ４ Ｄ ：０ ６ ／ｉ ｎ１ ３ ９ ３ ． １ ． ０ － ３ ｊｓ ０ ２ ６
是 完 全 连 接 ， 以 。 常 情 况 下 取 输 入 层 节 点 与 隐含 层 节 所 通
性系统 。依 赖于传统技术 经济 的预警方法 已经越来越不 含 层 。由 于输 入 层 只是 将 信 号 传 递 到 隐含 层 ，两 者 之 间
基 金 项 目 ： 家 自然 科 学 基金 项 目ｆ ８ ３ ３ ）湖 南 省社 科 重 点项 目（５ Ｄ ８ 。 国 ７ ７０ ７、 ０ ０Ｚ ０ ）
一
、
引言
而 通 过 神经 网络 可 以不 必 事 先 建 立 主 观 模 型 对 系统 运 行 状 态 进 行 预 测 与 预 警 。特 别 是 前 馈 型 径 向 基 函数 （ Ｂ ） 经 网 络 的提 出 ， 以 以 任 意 精 度 、 局 最 优 、 Ｒ Ｆ神 可 全 结
径向基神经网络在入侵检测中的应用
２０ 年 ５月 ０７
江西师范大学学报 （ 自然 科 学 版 ）
Ｊ Ｕ Ｎ Ｌ Ｏ Ａ Ｇ Ｉ Ｏ Ｍ Ｌ Ｕ Ｉ Ｅ ＳＴ （ Ａ Ｕ Ａ Ｃ Ｅ Ｃ ） Ｏ Ｒ Ａ ＦＪ Ｎ Ｘ Ｒ Ａ Ｎ Ｖ Ｒ ＩＹ Ｎ Ｔ Ｒ Ｌ Ｓ Ｉ Ｎ Ｅ Ｉ Ｎ
Ｖ０ ． １ ３１Ｎｏ． ３ Ｍａ ０Ｄ ｙ２ ７
文 章 编 号 ：００５ ６ （１Ｆ）３０９ —４ １０－８ ２２ ／０—２７０ Ｘ
径 向 基 神 经 网络 在 入 侵 检 测 中 的 应 用
滕 少华 王 ，
（． １广东 Ｔ 业大学 计算机学院 ， 广东 广 州
琳２
５００ ） １０６
入侵检 测 领域 中得 以应 用 ．
１ 神 经 网络 模 型
１１ 神 经 网络 的发展 与现 状 ． 神 经 网络 的研究 始于 ２ 纪 ４ 代 ．９６年 ， ｕ ｅ ａｔ Ｍ Ｃｌｎ ＿提 出 ０世 ｏ年 １８ Ｒ ｍ ｌ ｒ和 ｃ ｅａｄ２ ｈ ｌ ｊ 了误 差反 向传播 网络模 型 （ ａｋＰｏａａｏ ｅｒ ｅ ｏｋＢ Ｎ ） Ｂ 法是 一种 全局 寻优 算 法 ， 大 部分 的 Ｂｃ ｒｐｇｔｎＮ ｕａ Ｎｔ ｒ，Ｐ Ｎ ．Ｐ算 ｉ ｌ ｗ 绝 神经 网络 模 型都是 基 于 Ｂ Ｐ算 法 的 ， 至今 影 响 最 大 、 用最 广 泛 的一 种神 经 网络 学 习算 法 ， 入侵 检 测 领 是 应 在
５００ ； ． １０６ ２ 中国电子科 技集团公司第七研究所 ， 广东 广州
摘要： 与广泛使用的 Ｂ Ｐ网络模型相比， 径向基函数神经网络具有训练时间短且不易收敛到局部最小的
优点 ． ３种径 向基神经 网络应 用到入侵检测 中， 将 用于入侵模式识别 的分类 和预测 ， 而提 高入侵检 测系 从
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｔ ｔ ｎｆ ｗｓ ａ — ｏ ｏ ｅｒ ｉ Ｓ Ｒ）ｉ ａａ ｚｄ ｈ ａ ｄｔ ｏ Ｂ ｅｒ ｅ ｏｋｗｔ ｎｗｌａ ｉ — ｅ ｉ ｒ ｏ ｉ ｌ ｔ —ｎｉ ａｏ（ Ｎ ｃｏ ｏ ｌ ｎ ｇ ｓ ｔ ｓ ｌ ｅ ．Ｔ ｅｖｌ ｉ ｆ Ｆｎｕａ ｎｔ ｒ ｉ ｅ ｒ ｎ ａ ｙ ｎ ｉ ｙ Ｒ ｌ ｗ ｈ ｅ ｎ ｇｌ
ｓｎ Ｆ ｎ ｕ ａ ｎ ｔ ｒ ｓｅ ｔｂ ｉｈ ｄ ａ ｄ ａ ｎ ｗ ｌａ ｎｎ ｌｏ ｔ ｍ ｓ ｄ ｖ ｌ ｐ ｄ Ｂ ｓ ｇ ｔ ｅ ｓ ｎ ｉ ｖｔ ｆＲＢ ｉ ｇ ＲＢ ｅ ｒ ｅｗｏｋ ｉ ｓａ ｌ ｅ ｎ ｅ ｅ ｒ ｉ ｇ ａｇ ｒ ｈ ｉ ｅ ｅｏ ｅ ． ｙ ｕ ｉ ｈ ｅ ｓｔ ｉ ｏ Ｆ ｌ ｓ ｉ ｎ ｉ ｙ ｎ ｕ ａ ｅｗｏ ｋ ａ ｏ ｔｉｐ ｔ ｕ ｔ ａｉ ｎ ｅ ｋ ｓｇ ａ ａ ｅ ｄ ｔｃ ｅ ｒ ｍ ｅｐ ｅ ｉｔ ｎ ｅｒ ｒ ｈ ｅ ｏｍａ ｃ ｆ ｅ ｅ ｒ ｎ ｔ ｒ ｂ ｕ ｕ ｃ ｕ ｔ ，ｗ ａ ｉ ｌ ｎ ｂ ｅｅ ｔｄ ｆｏ ｔ ｒ ｄ ｃ ｉ ｒ ．Ｔ ｅｐ ｒ ｒ ｎ ｅ ｏ － ｌ ｎ ｌ ｆ ｏ ｎ ｃ ｈ ｏ ｏ ｆ ｄ
ＡＢＳ ＲＡＣＴ ：ｎ ｏ ｄ ｒｔ ｅｅ ｔｈ ｒ ｎｃ ｓ ｎ ｌｉ ￣ ｎ ｈ ｏ ｉ ｉｔｒｅｅ ｃ Ｔ Ｉ ｒ ｅ ｏ ｄ ｔｃ ａ ｍｏ ｉ ｉ ａ ｎ ｓ ｏ ｇ ｃ ａ ｔ ｎ ｅ ｒｎ ｅ，ａ ｎ ｗ ｍｅｈ ｄ ｂ ｓ ｄ ｏ Ｆ ｎ ｕ ａ ｇ ｃ ｆ ｅ ｔ ｏ ａ ｅ ｎ ＲＢ ｅ ｒ ｌ ｎ ｔ ｒ ｓｐ ｅ ｅ ｔｄ ｉ ｉ ｐ ｐ ｒ ｉｈ ｉ ｕ ｅ ｅ ｅ ｔ ａ ｉ ａ ｔ ｎ ｈ ｏ ｉ ｉｔ ｒ ｒ ｎ ｅ ｅｗｏ ｋ ｉ ｒ ｓ ｎｅ ｎ ｔ ｓ ａ ｅ ｃ ｓ ｓ ｄ ｔ ｄ ｔｃ ｈ ｗｈ ｏ ｗｅ ｋ ｓｇ ｌ ｎ ｓ ｏ ｇ ｃ ａ ｔ ｎ ｅ ｅ ｅ ｃ ．Ａｃ ｏ ｄ ｎ ｅ ｎ ｉ ｒ ｃ ｆ ｃｒｉｇｔ ｔ ｏｈ
并且实验表明信噪比最低达 一 ０ Ｂ时， ４ｄ 仍能有效检测出信号 。 关键词 ： 混沌 ； 径向基神经 网络 ； 信号检测 ； 预测
中 图分 类 号 ：Ｎ １ Ｔ ９ｌ 文献 标 识 码 ： Ａ
Ｓ ｇ ａ ｔ ｃｉ ｎ ｉ ｔ ｏ ｇ Ｃｈ ｏ ｉ ｎ ｅ ｆｒ ｎ ｅ ｉｎ ｌ Ｄｅ ｅ ｔ ｎ Ｓ ｒ ｎ ａ ｔｃ Ｉ ｔ ｒｅ ｅ ｃ ｏ
Ｂａ ｅ ｎ ＲＢＦ ｕｒ ｌＮｅ ｗｏ ｋ ｓｄ ｏ Ｎｅ ａ ｔ ｒ
Ｐ ｕ ＡＮ Ｊ ｎ—ｙ ｎ ａｇ
（ｎｔｕｉ ｆ ｃｕｔ ｎ ｉ ｅ ｎ ， ｏ ｈ ｅｔ ｎＰ ｌ ｅｈ ｉ ｎ ｅｓｙ ｉａ ｈｎｉ １０ ２ ｈ ａ Ｉｓｔ ｏ ｏ ｏ ｓｃＥ ｇ ｅｒ ｇ Ｎ ｒ ｗ ｓ ｒ ｏ ｔｃｎ ａ Ｕ ｉ ｒ ｔ，Ｘ ’ｎＳａｘ ７０ ７ ，Ｃ ｉ ） ｉｔｎ Ａ ｉ ｎ ｉ ｔ ｅ ｙ ｅ ｌ ｖ ｉ ｎ
ｇ ｒ ｍ ｓｔｓｅ ｙｓｇ ａ ｅｅ ｔ ｎ ｉ ｈ ｏｉ ｔ ｒ ｒ ｎ ｅｉ ａ ｅｏ ｏ ｅ ｚｆ ｗ ａ ｄ ｓ ｉ ａ ｉ ｔｄ ｎ ｉｅ ｔ ａ ｅ ｎ ｏｉ ｈ ｔ ｉ ｅ ｔ ｄ ｂ ｉ ｌ ｔ ｃｉ ｃ ａ ｔ ｉ ｅ ｅ ｅ ｃ ｎ ｃ ｓ ｆ ｒ ｎ ｏ ｎ ｈ ｐ ｒ ｄ ａｅ ｏ ｓ ．Ｉ ｈ ｄ ｂ ｅ ｎ ｄ ｏ ｎ ｃｎ ｆ Ｌ ｌ ｓ ｏ ｎ ｔ ａ ，ｂ ｉ ｍｅｈ ｄ ｓｇ ａ ａ ｅ ｄ ｔｃｅ ｎ ｃ ａ ｔ ｎ ｅ ｅｅ ｃ ｅ ＮＲ ｉ ａ ｏ ｓ 一４ ｄ ｈ ｗ ｔ ｙｔ ｓ ｈ ｈ ｔｏ ｉ ｎ ｃ ｎ ｂ ｅｅ ｔｄ ｉ ｈ ｏｉ ｉｔｒ ｒｎ ｅ ｗｈ ｎ Ｓ ｓ ｓ ｌｗ ａ ｌ ｃ ｆ ０ Ｂ． ＫＥＹＷ ＯＲＤＳ： ｈ ｏ ； ＢＦ ｎ ｕ ａ ｅ ｒ Ｓｇ ａ ｅ ｅ ｔ ｎ； ｒ ｄｃ ｉｎ Ｃ ａ ｓ Ｒ ｅ ｒ ｌ ｔ ｋ； ｉｎ ｄ ｔ ｃｉ Ｐ ｅ ｉｔ ｎ ｗｏ ｌ ｏ ｏ
第２ 卷 第５ ７ 期
文章编号 ：０ ６—９４ （ ００ ０ １０ ３ ８ ２ １ ） ５—０ ３ ０ １６— ４
计
算
机
仿
ห้องสมุดไป่ตู้
真
２１年５ ０ ０ 月
基 于径 向基 函数 神 经 网络 的混 沌 干 扰信 号检 测
潘 俊 阳
（ 北 工 业 大 学 声 学 工程 研 究 所 ， 西 西 安 ７０ ７ ） 西 陕 １０ ２
ｇｏ ｔ ｆ ｈｏｉ ａ ｒｃ ｒ ｎ ｅｅｏｕｉ ｆ ｈｏ ａ ｃｏ ，ｈ ｎ ｔ ｒ ｉ ｉ ｄ ｌ ｆ ｈｏｉ ｓｓ ｍ ｕ ｅｍｅ ｙｏ ａｔ ｔａｔ ｄｔ ｖｌｔ ｎｏ ａｓｔｊ ｔ ｙ ｔｅｏｅｓ ｐｐｅ ｃ ｏ ｍｏｅ ｏ ａｔ ｙｔ — ｒ ｃ ｃ ｔ ｏａ ｈ ｏ ｃ ｒｅ ｒ ｅ ｄ ｔｎ ｃ ｃ ｅ
摘 要： 为提高强混沌背景下谐波信号的检测 能力 ， 提高 系统 的信噪 比， 出了一种在 混沌背景噪声 中提取正 弦信号的 Ｒ Ｆ 提 Ｂ 神经 网络方法。依据混沌 吸引子 固有的几何特性和混沌系统轨迹点 在流形 中的演化规律 ， 建立 混沌系统 的 Ｒ Ｆ神经 网络 Ｂ 单步预测模型 ， 了网络 的学习算法 ， 改进 利用 Ｒ Ｆ Ｂ 神经 网络对输 人扰动 的敏感 ， 预测 出误差 信号。分析 了在低 信噪 比下 的 检测性能 。通过对 Ｌｒ ｚ ｏ ｎ 流和实际舰船辐射噪声信号中的信号检测进行计 算机仿真实验 ， ｅ 验证 了算 法的有效性和可行性 ，