CN103973335A - 基于混沌理论的同步跳频序列预测方法 - Google Patents
基于混沌理论的同步跳频序列预测方法 Download PDFInfo
- Publication number
- CN103973335A CN103973335A CN201410190715.8A CN201410190715A CN103973335A CN 103973335 A CN103973335 A CN 103973335A CN 201410190715 A CN201410190715 A CN 201410190715A CN 103973335 A CN103973335 A CN 103973335A
- Authority
- CN
- China
- Prior art keywords
- frequency hopping
- formula
- method based
- hopping sequence
- rbf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混沌理论的同步跳频序列预测方法,包括如下步骤:第一步、义预测模型;第二步、定义误差模型;第三步、确定嵌入维数和延迟时间;第四步、去除步跳片段;第五步、建立径向基函数预测模型;第六步、预测公式并预测结果。本发明的于混沌理论的同步跳频序列预测方法滤掉少有的同步码,剩下混沌序列,然后对混沌序列测理论进行预测,提高对跳频信息码的预测性能及整体预测命中率。
Description
技术领域
本发明涉及通讯领域,特别是一种基于混沌理论的同步跳频序列预测方法。
背景技术
作为一种有效的抗干扰通信手段,跳频通信在军事领域得到越来越广泛的应用。跳频序列是跳频通信的重要组成部分,跳频序列具有伪随机特性,所以具有很强的抗干扰能力。为了产生最佳的抗干扰信号,如何准确快速的测量目标跳频通信的跳频码,一直是现代战争理论中的研究工作重点之一。
通过分析时间序列的历史记录建立预测模型,不仅可以分析研究时间序列的内在机理,而且有助于相关时间的决策支持,近年来,涉及混沌时间序列预测的研究很多,也提出了混沌时间序列预测的方法:如RBF网络预测法,多项式拟合预测法,支持向量机预测法,自适应预测法等。但是大多数预测方法的研究对象是不含噪声的混沌时间序列。现有很多文献通过证明跳频通信的跳频码序列具有混沌特性,然后应用混沌预测方法对其进行预测。然而,实际中往往不满足条件,现代主流的军用跳频通信系统大都采用的是信息跳片段结合同步跳片段的模式来构造完整的跳频序列。其中,信息跳由m序列,RS序列或者混沌序列直接生产。但不幸的是,出于跳频同步功能需求,每个跳频段中的跳频码序列都必须具有周期性,如图1所示。从图中可以看出,跳频同步频率集频率点数共4点,样本中共包含了两个跳频同步。跳频同步系统工作时,在当前的同步频率集中按照一定的顺序,遍历每个频率点两次。下一次同步系统工作时,按照一定规律,先改变同步频率集中的一个频率点,然后再对新同步频率集执行顺序遍历两次。以此类推,同步将贯穿整个跳频通信中。所以,同步跳的存在破坏了原有的假设,使得跳频序列往往与假设的混沌模型存在一定的偏差,这直接影响了模型预测的精度。在含有跳频同步的情况下,直接应用现有的预测方法,效果往往不理想。
发明内容
本发明是解决上述问题提供一种针对通过滤掉少有的同步码,剩下混沌序列,然后对混沌序列预测理论进行预测,提高对跳频信息码的预测性能及整体预测命中率的基于混沌理论的同步跳频序列预测方法。
本发明的基于混沌理论的同步跳频序列预测方法,包括如下步骤:
第一步、定义预测模型;
第二步、定义误差模型;
第三步、确定嵌入维数和延迟时间;
第四步、去除同步跳片段;
第五步、建立径向基函数预测模型;
第六步、预测公式并预测结果。
所述第一步中定义状态点X距离最邻近k个状态点的距离为di(i=1,2,...k),那么得出定义状态点X距离最邻近k个状态点的距离公式为式(1)
di=||X-Xi|| (1)
最邻近k个状态点的均值由公式为式(2)
所述第二步中定义的误差模型为如下式:
其中Pi为单次预测绝对误差,t为误差允许最大值,P为整体预测误差。
所述第三步包括步骤如下:设空间中两个不想交的点ti≠tj
X(ti)=(x(ti),x(ti+τ)…x(ti+(m-1)τ)) (5)
X(tj)=(x(tj),x(tj+τ)…x(tj+(m-1)τ)) (6)
则这两个点之间的距离为:
设置门限r,rij<r所占比例:
关联维:
当m增加时,D2(m)趋近极限,当D2(m)刚到极限时的维数为m;
延迟时间为τ,延迟时间的确定采用自相关方法实现,通过嵌入维数和延迟时间构造出X=(x(n),x(n+τ)…x(n+(m-1)τ))状态点。
所述第四步步骤如下:设置门限值γ, 当判决结果为H0时则认为是同步跳序列,将其从跳频序列中删除,当判决为H1时则认为是符合混沌运动轨迹,将其保留,这样得到序列X'。
所述第五步步骤如下:确立分布函数其中ωj为连接权重,hj(x)为径向基础函数,s为隐层神经元节点数;定义输入层神经元节点数为I=mτ,m为嵌入维数,τ为延迟时间,隐层神经元节点数为通过互验证算法,逐渐增加节点数,使得训练误差最小的节点数即为隐层神经元节点数s;使用高斯函数作为径向基础函数如下式:
然后采用k-均值聚类算法求解径向基函数中心cj。
所述求解径向基函数中心cj的过程为:从训练集X'={X1,X2…XM}中选取k个数作为径向基函数的初始中心cj,j=1,2,…,k;分别计算剩余的样本数据和k个类中心的
dij(i=1,2,…,M;j=1,2,…,k);
如果第i个样本和第k个类中心的距离满足dik=min{dij,j=1,2,…,k}则称该样本属于第k类。当一个新的样本加入第k类时,根据公式重新计算该类的类中心,其中nk表示第k类中的样本个数。直到聚类中心不再发生变化时停止聚类。计算各类训练数据中心的平均值作为径向基函数的中心。根据固定法求解径向基函数宽度σi,即训练中心确定以后,根据其中cmax为所选取中心中最大距离,s为径向基函数中心数。
所述第六步的公式如下式:
综上所述,本发明的基于混沌理论的同步跳频序列预测方法滤掉少有的同步码,剩下混沌序列,然后对混沌序列预测理论进行预测,提高对跳频信息码的预测性能及整体预测命中率。
附图说明
图1为有跳频同步的跳频码序列片段;
图2为无跳频同步跳频序列在相空间中运动轨迹;
图3为有跳频同步跳频序列在相空间中运动轨迹;
图4为几种预测方式下在不同允许误差下的命中率。
具体实施方式
下面结合具体的实施例对本发明作进一步的阐述。
本发明的基于混沌理论的同步跳频序列预测方法,包括如下步骤:
第一步、定义预测模型;
第二步、定义误差模型;
第三步、确定嵌入维数和延迟时间;
第四步、去除同步跳片段;
第五步、建立径向基函数预测模型;
第六步、预测公式并预测结果。
所述第一步中定义状态点X距离最邻近k个状态点的距离为di(i=1,2,...k),那么得出定义状态点X距离最邻近k个状态点的距离公式为式(1)
di=||X-Xi|| (1)
最邻近k个状态点的均值由公式为式(2)
所述第二步中定义的误差模型为如下式:
其中Pi为单次预测绝对误差,t为误差允许最大值,P为整体预测误差。
所述第三步包括步骤如下:设空间中两个不想交的点ti≠tj
X(ti)=(x(ti),x(ti+τ)…x(ti+(m-1)τ)) (5)
X(tj)=(x(tj),x(tj+τ)…x(tj+(m-1)τ)) (6)
则这两个点之间的距离为:
设置门限r,rij<r所占比例:
关联维:
当m增加时,D2(m)趋近极限,当D2(m)刚到极限时的维数为m;
延迟时间为τ,延迟时间的确定采用自相关方法实现,通过嵌入维数和延迟时间构造出X=(x(n),x(n+τ)…x(n+(m-1)τ))状态点。
所述第四步步骤如下:设置门限值γ, 当判决结果为H0时则认为是同步跳序列,将其从跳频序列中删除,当判决为H1时则认为是符合混沌运动轨迹,将其保留,这样得到序列X'。
所述第五步步骤如下:确立分布函数其中ωj为连接权重,hj(x)为径向基础函数,s为隐层神经元节点数;定义输入层神经元节点数为I=mτ,m为嵌入维数,τ为延迟时间,隐层神经元节点数为通过互验证算法,逐渐增加节点数,使得训练误差最小的节点数即为隐层神经元节点数s;使用高斯函数作为径向基础函数如下式:
然后采用k-均值聚类算法求解径向基函数中心cj。
所述求解径向基函数中心cj的过程为:从训练集X'={X1,X2…XM}中选取k个数作为径向基函数的初始中心cj,j=1,2,…,k;分别计算剩余的样本数据和k个类中心的
dij(i=1,2,…,M;j=1,2,…,k);
如果第i个样本和第k个类中心的距离满足dik=min{dij,j=1,2,…,k}则称该样本属于第k类。当一个新的样本加入第k类时,根据公式重新计算该类的类中心,其中nk表示第k类中的样本个数。直到聚类中心不再发生变化时停止聚类。计算各类训练数据中心的平均值作为径向基函数的中心。根据固定法求解径向基函数宽度σi,即训练中心确定以后,根据其中cmax为所选取中心中最大距离,s为径向基函数中心数。
所述第六步的公式如下式:
下面用案例进行分析,构造一个实际的跳频序列:同步字头i{fi,fi+1,fi+2,fi+3,fi,fi+1,fi+2,fi+3}、信息跳片段i、同步字头i+1、信息跳片度i+1。采用规律性强的m序列构造,总共构造8个同步跳频集。利用本原多项式f(x)=x5+x2+1,构造反馈寄存器级数为5的m序列。采用一般模型构造最佳跳频序列,用任意相邻或非相邻级去控制频率合成器,控制频率合成和驱动m序列发生的时钟可以不一样,这种方法的构造具有最佳汉明相关性。使用以下公式求解:
其中ui为抽头系数,0<i≤5,r=5,c为时钟间隔,d为抽头间隔。构造出的长度为32的跳频序列,每个同步跳频集为S={fi,fi+1,fi+2,fi+3},1≤i≤L,按照循环移位的方式构造。同步跳频集遍历集中每个频率两次,构成同步字头。同步跳频集之间间隔信息跳片段的时间。信息跳片段采用混沌序列构造的方式,具有良好的随机性,各频率分布均匀性,较难破译。本发明采用logistic的映射方式,以及非均匀量化的方式产生8个长度为92的跳频序列集。logistic映射:
x(i)=r·x(i-1)(1-x(i-1)),1≤i≤763 (13)
r为4的时候是满映射,0≤x(1)≤1这里取8个不同的初始值。采用非均匀量化的方式,取
x(i)处于哪个区间,当min(k)<x(i)≤max(k)时1≤i≤L,1≤k≤L,跳频序列值s(i)=k-1。将每个混沌信息跳序列集之前插入一个同步跳序列集构成8个长度为100的跳频码片段,将这8个跳频码片段相连构成长度为800的跳频序列。通过归一化产生的跳频序列如图1所示。应用已经构造的跳频序列前600个点构造m维相空间。依次由小到大取若干r值分别计算Cm(r)作ln(Cm(r))-ln(r)的关系曲线,曲线近似直线的部分斜率为D2(m)增加m值重复ii,iii步骤,当m到一定值D2(m)不随m发生有意义的变化,此时的m为嵌入维数。计算得到嵌入维数为2。利用跳频序列前600点,构造自相关函其中τ=1,2…当Rxx(τ)降低到初始值的倍时τ为对应的时间延迟。计算得到τ=1。构造出X=(x(n),x(n+1))状态点。相空间的运动轨迹如图3所示。根据多次实验获得经验门限值γ,去除同步跳片段得到训练状态X'。输入层神经元节点数I=2。通过训练状态点集X'={X1,X2,…,X600}计算径向基函数中心与宽度。通过公式构造出200个预测点。通过跳频序列后200个点进行比较测试,得到预测命中率。比较无处理、局部去噪和本发明方法的命中概率,曲线如图4所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于混沌理论的同步跳频序列预测方法,其特征在于,包括如下步骤:
第一步、定义预测模型;
第二步、定义误差模型;
第三步、确定嵌入维数和延迟时间;
第四步、去除同步跳片段;
第五步、建立径向基函数预测模型;
第六步、预测公式并预测结果。
2.如权利要求1所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第一步中定义状态点X距离最邻近k个状态点的距离为di(i=1,2,...k),那么得出定义状态点X距离最邻近k个状态点的距离公式为式(1)
di=||X-Xi|| (1)
最邻近k个状态点的均值由公式为式(2)
3.如权利要求2所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第二步中定义的误差模型为如下式:
其中Pi为单次预测绝对误差,t为误差允许最大值,P为整体预测误差。
4.如权利要求3所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第三步包括步骤如下:设空间中两个不想交的点ti≠tj
X(ti)=(x(ti),x(ti+τ)…x(ti+(m-1)τ)) (5)
X(tj)=(x(tj),x(tj+τ)…x(tj+(m-1)τ)) (6)
则这两个点之间的距离为:
设置门限r,rij<r所占比例:
关联维:
当m增加时,D2(m)趋近极限,当D2(m)刚到极限时的维数为m;
延迟时间为τ,延迟时间的确定采用自相关方法实现,通过嵌入维数和延迟时间构造出X=(x(n),x(n+τ)…x(n+(m-1)τ))状态点。
5.如权利要求4所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第四步步骤如下:设置门限值γ, 当判决结果为H0时则认为是同步跳序列,将其从跳频序列中删除,当判决为H1时则认为是符合混沌运动轨迹,将其保留,这样得到序列X'。
6.如权利要求5所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第五步步骤如下:确立分布函数其中ωj为连接权重,hj(x)为径向基础函数,s为隐层神经元节点数;定义输入层神经元节点数为I=mτ,m为嵌入维数,τ为延迟时间,隐层神经元节点数为通过互验证算法,逐渐增加节点数,使得训练误差最小的节点数即为隐层神经元节点数s;使用高斯函数作为径向基础函数如下式:
然后采用k-均值聚类算法求解径向基函数中心cj。
7.如权利要求6所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述求解径向基函数中心cj的过程为:从训练集X'={X1,X2…XM}中选取k个数作为径向基函数的初始中心cj,j=1,2,…,k;分别计算剩余的样本数据和k个类中心的
dij(i=1,2,…,M;j=1,2,…,k);
如果第i个样本和第k个类中心的距离满足dik=min{dij,j=1,2,…,k}则称该样本属于第k类。当一个新的样本加入第k类时,根据公式重新计算该类的类中心,其中nk表示第k类中的样本个数。直到聚类中心不再发生变化时停止聚类。计算各类训练数据中心的平均值作为径向基函数的中心。根据固定法求解径向基函数宽度σi,即训练中心确定以后,根据其中cmax为所选取中心中最大距离,s为径向基函数中心数。
8.如权利要求7所述的基于混沌理论的同步跳频序列预测方法,其特征在于:所述第六步的公式如下式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410190715.8A CN103973335B (zh) | 2014-05-07 | 2014-05-07 | 基于混沌理论的同步跳频序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410190715.8A CN103973335B (zh) | 2014-05-07 | 2014-05-07 | 基于混沌理论的同步跳频序列预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103973335A true CN103973335A (zh) | 2014-08-06 |
CN103973335B CN103973335B (zh) | 2016-08-24 |
Family
ID=51242428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410190715.8A Expired - Fee Related CN103973335B (zh) | 2014-05-07 | 2014-05-07 | 基于混沌理论的同步跳频序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103973335B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105915265A (zh) * | 2016-04-14 | 2016-08-31 | 电子科技大学 | 一种分布式的同步跳频系统跳频序列生成方法 |
CN107819488A (zh) * | 2017-10-19 | 2018-03-20 | 西安电子科技大学 | 基于加扰器频率转移算法的数据序列处理方法 |
CN107832833A (zh) * | 2017-11-10 | 2018-03-23 | 泰山医学院 | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
CN111934712A (zh) * | 2020-08-07 | 2020-11-13 | 电子科技大学 | 基于动态重构的m序列跳频码结构还原方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103209005A (zh) * | 2013-04-18 | 2013-07-17 | 西安电子科技大学 | 一种基于图形模型的跳频序列预测系统 |
-
2014
- 2014-05-07 CN CN201410190715.8A patent/CN103973335B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103209005A (zh) * | 2013-04-18 | 2013-07-17 | 西安电子科技大学 | 一种基于图形模型的跳频序列预测系统 |
Non-Patent Citations (3)
Title |
---|
ZHEN-YU TENG; BO QIAN; YONG-XIN FENG: "A Frequency Prediction of RS Code FH Based on ChaoticTheory", 《INTELLIGENT NETWORKS AND INTELLIGENT SYSTEMS (ICINIS), 2010 3RD INTERNATIONAL CONFERENCE ON》 * |
李娟; 盛利元; 刘爱惠: "基于混沌序列的跳频同步方法", 《郑州大学学报(工学版)》 * |
范越非; 卢宏涛: "跳频码序列混沌预测的性能研究", 《计算机应用与软件》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105915265A (zh) * | 2016-04-14 | 2016-08-31 | 电子科技大学 | 一种分布式的同步跳频系统跳频序列生成方法 |
CN107819488A (zh) * | 2017-10-19 | 2018-03-20 | 西安电子科技大学 | 基于加扰器频率转移算法的数据序列处理方法 |
CN107819488B (zh) * | 2017-10-19 | 2019-07-16 | 西安电子科技大学 | 基于加扰器频率转移算法的数据序列处理方法 |
CN107832833A (zh) * | 2017-11-10 | 2018-03-23 | 泰山医学院 | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
CN107832833B (zh) * | 2017-11-10 | 2021-12-21 | 山东第一医科大学(山东省医学科学院) | 基于混沌自主发育神经网络的场景识别方法、装置及系统 |
CN109067427A (zh) * | 2018-08-16 | 2018-12-21 | 北京科技大学 | 一种基于优化型小波神经网络的跳频序列预测方法 |
CN111934712A (zh) * | 2020-08-07 | 2020-11-13 | 电子科技大学 | 基于动态重构的m序列跳频码结构还原方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103973335B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103973335A (zh) | 基于混沌理论的同步跳频序列预测方法 | |
CN111712835B (zh) | 数据传输系统中的信道建模 | |
US20140323130A1 (en) | Trajectory-Aware Location-Based Hand-Offs | |
CN104794501B (zh) | 模式识别方法及装置 | |
US11610097B2 (en) | Apparatus and method for generating sampling model for uncertainty prediction, and apparatus for predicting uncertainty | |
CN102208046A (zh) | 基于二进制粒子群优化算法的混沌时间序列预测方法 | |
CN109977098A (zh) | 非平稳时序数据预测方法、系统、存储介质及计算机设备 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
US10944299B2 (en) | Methods and systems for multi-objective optimization and/or wireless power delivery | |
CN105512727A (zh) | 一种基于Markov的个人路径预测方法 | |
CN105095617A (zh) | 构建对象的目标运动轨迹的缺失部分的方法和设备 | |
CN112652165B (zh) | 模型训练及路况预测方法、装置、设备、介质及程序产品 | |
CN110149595B (zh) | 一种基于hmm的异构网络用户行为预测方法 | |
CN103095496A (zh) | 网络流量预测方法和设备 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN111538767B (zh) | 数据处理方法、装置、设备及存储介质 | |
JP2017016186A (ja) | 流れ推定装置、予測装置、及びプログラム | |
CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
CN103209005B (zh) | 一种基于图形模型的跳频序列预测系统 | |
CN102447489A (zh) | 一种用于非连续抽头模型的跳频序列预测方法 | |
CN106056254B (zh) | 一种计及出力水平影响的风电预测误差模拟方法 | |
CN110411450A (zh) | 一种用于压缩轨迹的地图匹配方法 | |
EP4266004A1 (en) | User trajectory positioning method, electronic device and computer storage medium | |
CN113609785B (zh) | 基于贝叶斯优化的联邦学习超参数选择系统及方法 | |
JP2020126511A (ja) | 最適化装置、方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20190507 |
|
CF01 | Termination of patent right due to non-payment of annual fee |