CN113742911B - 混沌时间序列的高精度自适应盲估计方法 - Google Patents
混沌时间序列的高精度自适应盲估计方法 Download PDFInfo
- Publication number
- CN113742911B CN113742911B CN202110991479.XA CN202110991479A CN113742911B CN 113742911 B CN113742911 B CN 113742911B CN 202110991479 A CN202110991479 A CN 202110991479A CN 113742911 B CN113742911 B CN 113742911B
- Authority
- CN
- China
- Prior art keywords
- formula
- value
- model
- time sequence
- sequence
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
混沌时间序列的高精度自适应盲估计方法,属于通信技术领域,本发明混在预处理基础上建立混沌时间序列自适应辨识模型,推导出线性估计方程,通过与最小二乘机制有机结合限制其复杂度,使得模型能够在改变序列种类与长度的条件下自适应改变其各项参数,进而构建混沌时间序列运动轨迹方程,解决混沌时间序列盲估计的问题。本发明能够以较低的计算复杂度实现混沌时间序列的高精度估计,其精度最高可达到10‑16量级,高于其他估计方法1~13个量级。本发明适用于具有混沌特性的时间序列盲估计系统及装置。
Description
技术领域
本发明涉及通信技术领域,尤其是混沌系统应用的时间序列盲估计领域。
背景技术
混沌时间序列具有高度复杂性、不确定性、随机性、非线性与不可预测性等特征,其表现类似随机信号特性,对初值十分敏感,但其内在的非线性动力学特性又是确定性的,使得混沌理论在物理学、气象学、经济学、生物学和工程学等各个领域具有广泛应用,因此混沌时间序列成为了近年来的热门研究领域。混沌时间序列的估计与预测也逐渐成为相关学科的重要子研究领域。而考虑到其可以作为信息加密的安全伪随机序列用于通信保密系统,具有广阔的应用前景,且在隐蔽通信中扮演着十分重要的角色,所以对混沌时间序列的估计与预测也逐渐成为相关学科的重要子研究领域。
发明内容
本发明的目的是提供混沌时间序列的高精度自适应盲估计方法。
混沌时间序列的高精度自适应盲估计方法以博克斯-詹金斯法理论框架为基础,在预处理基础上建立混沌时间序列自适应辨识模型,推导出线性估计方程,通过与最小二乘机制有机结合限制盲估计的复杂度,使得模型能够在改变序列种类与长度的条件下自适应改变各项参数,进而构建混沌时间序列运动轨迹方程,解决混沌时间序列盲估计的问题,达到高精度的盲估计目的。
采用的技术方案是:
首先利用ADF(Augmented Dickey-Fuller)单位根检验法对混沌时间序列进行平稳性检验,进而利用P值检验法补充检验来确保准确性。进而,为降低估计过程中的误差值,对混沌时间序列进行序列零均值优化处理。
然后,利用ARMA(Auto regressive moving average model,自回归滑动平均模型)模型对优化后的混沌时间序列进行估计,在对混沌时间序列进行估计前,需要确定模型阶数,进而代入ARMA模型。
进一步,采用线性情况的最小二乘法对ARMA模型方程中的参数进行估计,通过建立序列求解方程,进而通过移项及整理求解参数矩阵,即ARMA模型方程中的参数。
最后,将求解的参数带入ARMA模型,得到能够反映混沌时间序列变化规律的方程,进而恢复混沌时间序列运动轨迹,构造混沌时间序列运动轨迹方程,以实现对序列的估计。
其优点在于:
混沌时间序列的高精度自适应盲估计方法在预处理基础上建立混沌时间序列自适应辨识模型,推导出线性估计方程,通过与最小二乘机制有机结合限制盲估计的复杂度,使得模型能够在改变序列种类与长度的条件下自适应改变各项参数,进而构建混沌时间序列运动轨迹方程,解决混沌时间序列盲估计的问题。本发明能够以较低的计算复杂度实现混沌时间序列的高精度估计,其精度最高可达到10-16量级,高于其他估计方法1~13个量级。本发明适用于具有混沌特性的时间序列盲估计系统及装置。
附图说明
图1是本发明混沌时间序列的高精度自适应盲估计方法原理图。
具体实施方式
步骤1:对待估计的混沌时间序列进行序列检验与优化处理。首先,采用如公式(1)所示的ADF单位根检验法对长度为N的混沌时间序列x(n)={x1,x2,...,xN},n=1,2,...,N进行平稳性检验,式中,δ为待检验项,a为常数项,βn为趋势项,ω(n)={ω1,ω2,...,ωN}为平稳白噪声序列。
判决平稳性的标准为:
进一步,为了避免因混沌时间序列长度过短造成δ取值不准确,需要对混沌时间序列x(n)进行进一步检验,采用如公式(3)所示的P值检验法补充检验来确保准确性:
式中,Z表示混沌时间序列检验的统计量值,Zc表示抽样后混沌时间序列检验的统计量值,xi为抽样混沌时间序列,为混沌时间序列的平均值,/>检验标准为当Pvalue的数值小于置信区间临界经验值0.01、0.05或0.1时,则混沌时间序列x(n)平稳。
进而,为降低估计过程中的误差值,需要对混沌时间序列x(n)进行序列零均值优化处理,即对混沌时间序列进行平移,建立的优化序列模型为如公式(4)所示,其中,y(n)为经规范标准优化后的混沌时间序列。
步骤2:进行最小化信息量准则计算模型阶数,其目的是为了利用ARMA模型对优化后的混沌时间序列y(n)进行估计。ARMA模型如公式(5)所示,其中,βl,β2,...,βp;α1,α2,...,αq为未知参数β(n)={β1,β2,...,βp}及α(n)=α1,α2,...,αq,p值和q值为模型的两个未知阶数,ε(n)={ε1,ε2,...,εN}为残差序列。
在对混沌时间序列进行估计前,需要确定公式(5)中的模型阶数,即p值和q值。为了提高混沌时间序列拟合估计过程中的优良性,采用如公式(6)所示的最小化信息量准则(AIC准则)进行计算。
σp,q=2k-2ln(L) (6)。
式中,k为未知参数数量,由于模型中未知参数p值和q值,因此k取值为2,L为模型的最大似然函数值,σ为AIC准则计算结果。从一组可供选择的模型中选择最佳模型时,通常选择使σp,q值最小的模型,即采用公式(6)对ARMA模型进行定阶的原则是在满足模型拟合度的同时又使模型p与q值最小,从而避免出现过拟合现象。
进一步,经统计分析p值与q值的取值范围一般为1~10,因此在定阶过程中可选择的模型为ARMA(m,s)(m=1,2,...,10;s=1,2,...,10),分别计算这100组模型的σp,q值,通过统计比较,找到满足使σp,q取值最小条件下的m,s,即为p值与q值,如公式(7)所示,其中,s=1,2,...,q,m=1,2,...,p。
步骤3:采用线性情况的最小二乘法对ARMA模型方程中的参数α(n)和β(n)进行估计,由于当n<p或n<q时,在n-p或n-q之前的序列变化规律未知,即混沌初值前的各序列初值未知,直接求出参数α(n)和β(n)的估计值会影响估计的准确性。因此为了避免出现这一问题,忽略前N'个混沌时间序列y(n)(n=1,2,...,N'),从第N'+1个序列开始建立求解方程,其中,N'取值如公式(8)所示。
N'=max(p,q) (8)。此时用于参数估计的序列长度变为:
l=n-N' (9)。
令Y(n)=y(n)-ε(n)(n=1,2,...,l),使Y(n)作为求解过程的观测向量,则Y(n)为:
Y(n)={Y1,Y2,...,Yl}={y1-ε1,y2-ε2,...yl-εl} (10)。
将式(10)代入式(5)并对其进行移项,得到的求解方程为:
即线性方程组:
将式(12)中过去时刻的混沌时间序列与残差分别写成矩阵形式如公式(13)所示。
所以,式(11)可写为:
其中,b为参数矩阵,A为数据矩阵,进一步,线性方程组又可表示为:
Ab=Yl (17)。
解得的参数矩阵b表达式如公式(18)所示,其包含的各个元素值即为ARMA模型方程中未知参数的估计值β1,β2,...,βp及α1,α2,...,αq。
b=(ATA)-1ATYl (18)。
步骤4:将式(18)得到的估计值带入公式(11),得到的能够反映混沌时间序列变化规律方程如公式(19)所示。
步骤5:恢复构造混沌时间序列运动轨迹方程,如公式(20)所示,进而输出混沌时间序列估计结果x′l。
Claims (1)
1.混沌时间序列的高精度自适应盲估计方法,其特征在于包括下列步骤:
步骤1:对待估计的混沌时间序列进行序列检验与优化处理;首先,采用如公式(1)所示的ADF单位根检验法对长度为N的混沌时间序列x(n)={x1,x2,...,xN},n=1,2,...,N进行平稳性检验,式中,δ为待检验项,a为常数项,βn为趋势项,ω(n)={ω1,ω2,...,ωN}为平稳白噪声序列;
判决平稳性的标准为:
进一步,对混沌时间序列x(n)进行进一步检验,采用如公式[3]所示的P值检验法补充检验来确保准确性:
式中,Z表示混沌时间序列检验的统计量值,Zc表示抽样后混沌时间序列检验的统计量值,xi为抽样混沌时间序列,为混沌时间序列的平均值,检验标准为当Pvalue的数值小于置信区间临界经验值0.01、0.05或0.1时,则混沌时间序列x(n)平稳;
进而,为降低估计过程中的误差值,需要对混沌时间序列x(n)进行序列零均值优化处理,即对混沌时间序列进行平移,建立的优化序列模型为如公式[4]所示,其中,y(n)为经规范标准优化后的混沌时间序列;
步骤2:进行最小化信息量准则计算模型阶数,目的是为了利用ARMA模型对优化后的混沌时间序列y(n)进行估计;ARMA模型如公式[5]所示,其中,β1,β2,...,βp;α1,α2,...,αq为未知参数β(n)={β1,β2,...,βp}及α(n)=α1,α2,...,αq,p值和q值为模型的两个未知阶数,ε(n)={ε1,ε2,...,εN}为残差序列;
yn=β1yn-1+β2yn-2+…+βpyn-p+εn+α1εn-1+α2εn-2+…+αqεn-q
[5];
在对混沌时间序列进行估计前,需要确定公式[5]中的模型阶数,即p值和q值;为了提高混沌时间序列拟合估计过程中的优良性,采用如公式[6]所示的最小化信息量准则(AIC准则)进行计算;
σp,q=2k-2ln(L) [6];
式中,k为未知参数数量,由于模型中未知参数p值和q值,因此k取值为2,L为模型的最大似然函数值,σ为AIC准则计算结果;从一组可供选择的模型中选择最佳模型时,通常选择使σp,q值最小的模型,即采用公式[6]对ARMA模型进行定阶的原则是在满足模型拟合度的同时又使模型p与q值最小,从而避免出现过拟合现象;
进一步,经统计分析p值与q值的取值范围一般为1~10,因此在定阶过程中选择的模型为ARMA(m,s)(m=1,2,...,10;s=1,2,...,10),分别计算这100组模型的σp,q值,通过统计比较,找到满足使σp,q取值最小条件下的m,s,即为p值与q值,如公式[7]所示,其中,s=1,2,...,q,m=1,2,...,p;
步骤3:采用线性情况的最小二乘法对ARMA模型方程中的参数α(n)和β(n)进行估计,由于当n<p或n<q时,在n-p或n-q之前的序列变化规律未知,即混沌初值前的各序列初值未知,直接求出参数α(n)和β(n)的估计值会影响估计的准确性;因此为了避免出现这一问题,忽略前N'个混沌时间序列y(n)(n=1,2,...,N'),从第N'+1个序列开始建立求解方程,其中,N'取值如公式[8]所示;
N'=max(p,q) [8];
此时用于参数估计的序列长度变为:
l=n-N′ [9];
令Y(n)=y(n)-ε(n)(n=1,2,…,l),使Y(n)作为求解过程的观测向量,则Y(n)为:
Y(n)={Y1,Y2,...,Yl}={y1-ε1,y2-ε2,...yl-εl} [10];
将式[10]代入式[5]并对其进行移项,得到的求解方程为:
Yl=β1yl-1+β2yl-2+…+βpyl-pα1εl-1+α2εl-2+…+αqεl-q [11];
即线性方程组:
将式[12]中过去时刻的混沌时间序列与残差分别写成矩阵形式如公式[13]所示;
所以,式[11]可写为:
其中,b为参数矩阵,A为数据矩阵,进一步,线性方程组又可表示为:
Ab=Yl [17];
解得的参数矩阵b表达式如公式[18]所示,其包含的各个元素值即为ARMA模型方程中未知参数的估计值β1,β2,...,βp及α1,α2,...,αq;
b=(ATA)-1ATYl [18];
步骤4:将式[18]得到的估计值带入公式[11],得到的能够反映混沌时间序列变化规律方程如公式[19]所示;
步骤5:恢复构造混沌时间序列运动轨迹方程,如公式(20)所示,进而输出混沌时间序列估计结果x′l;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991479.XA CN113742911B (zh) | 2021-08-27 | 2021-08-27 | 混沌时间序列的高精度自适应盲估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991479.XA CN113742911B (zh) | 2021-08-27 | 2021-08-27 | 混沌时间序列的高精度自适应盲估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742911A CN113742911A (zh) | 2021-12-03 |
CN113742911B true CN113742911B (zh) | 2023-06-16 |
Family
ID=78733227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991479.XA Active CN113742911B (zh) | 2021-08-27 | 2021-08-27 | 混沌时间序列的高精度自适应盲估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742911B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005354674A (ja) * | 2004-05-14 | 2005-12-22 | Nagoya Institute Of Technology | カオス符号化変調復調方法 |
CN109034223A (zh) * | 2018-07-16 | 2018-12-18 | 湖南城市学院 | 一种混沌时间序列预测方法及系统 |
-
2021
- 2021-08-27 CN CN202110991479.XA patent/CN113742911B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005354674A (ja) * | 2004-05-14 | 2005-12-22 | Nagoya Institute Of Technology | カオス符号化変調復調方法 |
CN109034223A (zh) * | 2018-07-16 | 2018-12-18 | 湖南城市学院 | 一种混沌时间序列预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于压缩传感的混沌自适应控制;赵英宝;黄丽敏;;河北科技大学学报(第03期);全文 * |
基于最小二乘SVM的混沌跳频通信码预测方法;王D;郭伟;;电子测量与仪器学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742911A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Robust Bayesian compressive sensing for signals in structural health monitoring | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN110175541B (zh) | 一种海平面变化非线性趋势提取的方法 | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
CN103955714A (zh) | 基于水军检测模型构建方法和系统及水军检测方法 | |
CN115600051B (zh) | 基于短弧天基光学观测的轨道机动智能检测方法和装置 | |
CN116378120A (zh) | 一种基于自注意力机制的变形监测方法 | |
CN116667816A (zh) | 基于神经网络的高精度非线性卡尔曼滤波器设计方法 | |
Wei et al. | Mixed-precision quantization for CNN-based remote sensing scene classification | |
Legler et al. | Combining data assimilation and machine learning to estimate parameters of a convective‐scale model | |
Springer et al. | Robust parameter estimation of chaotic systems | |
CN113742911B (zh) | 混沌时间序列的高精度自适应盲估计方法 | |
CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
CN109217844B (zh) | 基于预训练随机傅里叶特征核lms的超参数优化方法 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN113435243B (zh) | 一种高光谱真实下采样模糊核估计方法 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN115632633A (zh) | 一种基于稳健m估计的最小误差熵自适应滤波方法 | |
CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
CN112529093A (zh) | 基于预检测权值的样本维度加权的模具清洗效果检验方法 | |
Liu et al. | Echo state networks with double-reservoir for time-series prediction | |
CN113743670B (zh) | 一种基于gru模型的电路故障实时预测方法及验证电路 | |
Shestakov | Averaged probability of the error in calculating wavelet coefficients for the random sample size | |
Wang et al. | A heuristic for sigma set selection of UKF | |
CN116358545B (zh) | 一种惯性传感器零偏温度补偿方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |