JPH11311647A - Signal detection method and device using chaos neural network - Google Patents
Signal detection method and device using chaos neural networkInfo
- Publication number
- JPH11311647A JPH11311647A JP10120779A JP12077998A JPH11311647A JP H11311647 A JPH11311647 A JP H11311647A JP 10120779 A JP10120779 A JP 10120779A JP 12077998 A JP12077998 A JP 12077998A JP H11311647 A JPH11311647 A JP H11311647A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- chaos
- chaotic
- circuit
- frequency
- 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
- Measuring Frequencies, Analyzing Spectra (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、カオスが生成でき
る複数のニューロン素子のネットワークにおいて非常に
微弱な周期信号を検出する方法及び装置に関するもので
ある。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and an apparatus for detecting a very weak periodic signal in a network of a plurality of neuron elements capable of generating chaos.
【０００２】[0002]
【従来の技術】従来の信号検出は、入力する信号にしき
い値を設けているため、微弱な信号はしきい値以下にな
り、その時点で検出にはかからなかった。2. Description of the Related Art In conventional signal detection, since a threshold value is provided for an input signal, a weak signal falls below the threshold value, and detection is not started at that time.
【０００３】[0003]
【発明が解決しようとする課題】本発明は、上記従来の
技術に述ベた問題点の解決を狙ったものである。SUMMARY OF THE INVENTION The present invention aims at solving the problems described in the above prior art.
【０００４】本発明の目的は、入力する信号に行うしき
い値を行わず、直接、信号を各々ニューロン素子に入力
し、ニューロンモデルのカオスダイナミクスによる共鳴
現象により周期信号の周波数の信号を増幅し、かつ、ニ
ューロン素子間の相互作用による強調を利用し、微弱な
信号を検出するカオスニューラルネットワークを用いる
信号検出方法及び装置を提供することである。An object of the present invention is to directly input a signal to each neuron element without performing a threshold value applied to an input signal, and amplify a signal having a frequency of a periodic signal by a resonance phenomenon due to chaos dynamics of a neuron model. Another object of the present invention is to provide a signal detection method and apparatus using a chaotic neural network for detecting a weak signal by using enhancement by interaction between neuron elements.
【０００５】[0005]
【課題を解決するための手段】上記の目的を達成するた
め、カオスを生成する複数のニューロン素子のネットワ
ークに対して、微弱な信号を入力し、ニューロンモデル
のカオスダイナミクスによる共鳴現象により周期信号の
周波数の信号を増幅し、かつ、ニューロン素子間の相互
作用による共鳴現象の強調を利用し、周波数分布のピー
クを調べ、非常に微弱な周期信号を検出することを要旨
とする。In order to achieve the above object, a weak signal is input to a network of a plurality of neuron elements that generate chaos, and a periodic signal is generated by a resonance phenomenon due to the chaos dynamics of the neuron model. The gist of the present invention is to amplify a signal of a frequency and utilize the enhancement of a resonance phenomenon due to an interaction between neuron elements to check a peak of a frequency distribution and detect a very weak periodic signal.
【０００６】カオスニューラルネットワーク回路に非常
に微弱な周期信号を入力する信号入力回路と、カオスニ
ューラルネットワーク回路の個々のニューロン素子の状
態を加算する加算回路、または、カオスニューラルネッ
トワーク回路から任意の一つのニューロン素子の状態を
出力する出力回路と、カオス時系列を記憶する時系列記
憶回路と、カオス時系列の周波数解析を行い、周波数分
布を計算する周波数解析回路と、カオス時系列の周波数
のピークを検出するピーク検出回路を用いる。本発明の
カオスニューラルネットワークを用いた信号検出方法で
は、カオスニューラルネットワークに対して、微弱な信
号を入力し、ニューロンモデルのカオスダイナミクスに
よる共鳴現象によりその周波数の信号を増幅し、かつ、
ニューロン素子間の相互作用による共鳴現象の強調を利
用し、周波数分布のピークを調べ、非常に微弱な周期信
号を検出することができる。A signal input circuit for inputting a very weak periodic signal to a chaotic neural network circuit, an adding circuit for adding the states of individual neuron elements of the chaotic neural network circuit, or any one of the chaotic neural network circuits An output circuit that outputs the state of the neuron element, a time series storage circuit that stores the chaos time series, a frequency analysis circuit that performs frequency analysis of the chaos time series, and calculates a frequency distribution, and a peak of the frequency of the chaos time series. A peak detection circuit for detection is used. In the signal detection method using the chaotic neural network of the present invention, a weak signal is input to the chaotic neural network, and a signal of that frequency is amplified by a resonance phenomenon due to chaos dynamics of the neuron model, and
By utilizing the enhancement of the resonance phenomenon due to the interaction between neuron elements, the peak of the frequency distribution can be examined, and a very weak periodic signal can be detected.
【０００７】[0007]
【発明の実施の形態】本発明の実施の形態について、図
面を参照して、詳細に説明する。Embodiments of the present invention will be described in detail with reference to the drawings.
【０００８】図１に本発明のカオスニューラルネットワ
ークを用いた信号検出方法の第１の実施例のフローチヤ
ート図を示す。FIG. 1 is a flow chart of a first embodiment of a signal detection method using a chaotic neural network according to the present invention.
【０００９】カオスニューラルネットワークを用いて微
弱な周期信号を検出する方法は、先ず、微弱な周期信号
をカオスニューラルネットワークに入力する（Ｓ１）。In the method of detecting a weak periodic signal using a chaotic neural network, first, a weak periodic signal is input to the chaotic neural network (S1).
【００１０】次に、ニューロンモデルのカオスダイナミ
クスによる共鳴現象と、ニューロン素子の相互作用によ
る共鳴現象の強調により、周期信号の周波数信号を増幅
する（Ｓ２）。カオスニューラルネットワークのニュー
ロン素子の状態の加算平均する（Ｓ３−１）。共鳴現象
により増幅されたカオス時系列を周波数解析し（Ｓ
４）、周波数解析の結果、カオス時系列の周波数ピーク
を検出する（Ｓ５）。検出されたピーク値から周期信号
の周波数を判定する（Ｓ６）。Next, the frequency signal of the periodic signal is amplified by emphasizing the resonance phenomenon due to the chaotic dynamics of the neuron model and the resonance phenomenon due to the interaction of the neuron elements (S2). The average of the states of the neuron elements of the chaotic neural network is averaged (S3-1). Frequency analysis of the chaotic time series amplified by the resonance phenomenon (S
4) As a result of the frequency analysis, a frequency peak of the chaos time series is detected (S5). The frequency of the periodic signal is determined from the detected peak value (S6).
【００１１】また、図２に本発明のカオスニューラルネ
ットワークを用いた信号検出方法の第２の実施例のフロ
ーチヤート図を示す。FIG. 2 is a flowchart showing a second embodiment of the signal detection method using the chaotic neural network according to the present invention.
【００１２】カオスニューラルネットワークを用いて微
弱な周期信号を検出する方法は、先ず、微弱な周期信号
をカオスニューラルネットワークに入力する（Ｓ１）。In the method of detecting a weak periodic signal using a chaotic neural network, first, a weak periodic signal is input to the chaotic neural network (S1).
【００１３】次に、ニューロンモデルのカオスダイナミ
クスによる共鳴現象と、ニューロン素子の相互作用によ
る共鳴現象の強調により、周期信号の周波数信号を増幅
する（Ｓ２）。カオスニューラルネットワーク回路から
任意の一つのニューロン素子の状態を出力する（Ｓ３−
２）。共鳴現象により増幅されたカオス時系列を周波数
解析し（Ｓ４）、周波数解析の結果、カオス時系列の周
波数ピークを検出する（Ｓ５）。検出されたピーク値か
ら周期信号の周波数を判定する（Ｓ６）。Next, the frequency signal of the periodic signal is amplified by emphasizing the resonance phenomenon due to the chaos dynamics of the neuron model and the resonance phenomenon due to the interaction between the neuron elements (S2). The state of any one neuron element is output from the chaotic neural network circuit (S3-
2). A frequency analysis is performed on the chaotic time series amplified by the resonance phenomenon (S4), and as a result of the frequency analysis, a frequency peak of the chaotic time series is detected (S5). The frequency of the periodic signal is determined from the detected peak value (S6).
【００１４】例としてカオスを生成するニューロン素子
が以下のダイナミクスを持つとする。 ｙ（ｔ＋１）＝ｋｙ（ｔ）−αｆ（ｙ（ｔ））＋α， ｘ（ｔ＋１）＝ｆ（ｙ（ｔ＋１））， ｆ（ｚ）＝１／［１＋ｅｘｐ（−ｚ／ε）］ （１） ここで、ｙ（ｔ）はニューロンの内部変数、ｘ（ｔ）は
出力、ｋは不応性の時間的減衰定数、αは不応性の項に
対するスケーリングフアクタ（α ≧０）、ａは外部入
力、εはシグモイド関数の傾きである。このカオスニュ
ーロンの内部変数ｙ（ｔ）と、出力ｘ（ｔ）は上記のパ
ラメータαを変化させることにより、カオスが生み出さ
れる。よって、検出時にはカオス的なダイナミクスを持
つパラメータを設定する。カオスか否かは系の安定性を
示すリアプノフ指数などを計算することにより判定でき
る。As an example, it is assumed that a neuron element generating chaos has the following dynamics. y (t + 1) = ky (t) -αf (y (t)) + α, x (t + 1) = f (y (t + 1)), f (z) = 1 / [1 + exp (−z / ε)] (1 Here, y (t) is an internal variable of a neuron, x (t) is an output, k is a temporal decay constant of refractory, α is a scaling factor for a refractory term (α ≧ 0), and a is an external The input, ε, is the slope of the sigmoid function. The chaos is generated by changing the above parameter α for the internal variable y (t) and the output x (t) of the chaotic neuron. Therefore, at the time of detection, a parameter having chaotic dynamics is set. Whether it is chaos or not can be determined by calculating a Lyapunov exponent indicating the stability of the system.
【００１５】ネットワークの例として全結合のタイプを
考える。これ以外に様々な次元の様々な結合のタイプ
（最近接など）が考えられる。ネットワークのダイナミ
クスは以下のものを考える。Consider the type of full connection as an example of a network. Other types of connections of different dimensions (nearest neighbors, etc.) are also conceivable. Consider the following dynamics of the network.
【００１６】[0016]
【数１】 Σに関しては、前述のようにそのネットワークの形状に
よるが、全結合の場合は全てのニューロン素子にわたっ
て行なわれる。(Equation 1) Regarding Σ, as described above, depending on the shape of the network, the case of full connection is performed over all neuron elements.
【００１７】このダイナミクスに外部からの微弱な周期
信号δｓｉｎ｛（２πＴm／Ｔ）ｔ｝を入力したものを
考える。It is assumed that a weak periodic signal δ sin {(2πT m / T) t} is input to the dynamics from the outside.
【００１８】[0018]
【数２】 ここで、δは微小な値、Ｔm／Ｔは周期信号の角速度に
なり、Ｔは時系列ｙi（ｔ）の記憶時間、 Ｔmは周期信
号の周期になる。この時系列ｙi（ｔ）もしくはその加
算平均(Equation 2) Here, δ is a minute value, T m / T is the angular velocity of the periodic signal, T is the storage time of the time series y i (t), and T m is the period of the periodic signal. This time series y i (t) or its averaging
【００１９】[0019]
【数３】 の記憶時間Ｔの周波数解析を行い、周波数分布を計算
し、周波数のピークを検出することにより信号の周波数
成分を検出する。（Ｎはカオスニューロンの数）例とし
て元の（１）式のｋ＝０．７、α＝１．０、α＝０．３
６５、ε＝０．０２のカオスのときの時系列ｙ（ｔ）の
周波数分布を図３に示す。δ＝０．００５、Ｔ＝４０９
６、Ｔm＝５１２のときの（１）式の右辺に微弱な周期
信号δｓｉｎ｛（２πＴm／Ｔ）ｔ｝を入力した時系列
ｙ（ｔ）の周波数分布を図４に示す。Ｔm＝５１２に周
波数分布のピークが見られる。これは、カオスニューロ
ンのカオスダイナミクスの共鳴効果のためである。この
ピークを周波数軸の局所的比較により、分布の相対的比
較して検出することができる。比較として図５に（１）
式の時系列ｙ（ｔ）に微弱な周期信号δｓｉｎ｛（２π
Ｔm／Ｔ）ｔ｝を足したものｙ（ｔ）＋δｓｉｎ｛（２
πＴm／Ｔ）ｔ｝の周波数分布を示す。周期信号はカオ
スの周波数分布に埋もれて見えない。（１）式により、
ダイナミクスに周期信号を含めることにより共鳴効果が
得られる。(Equation 3) The frequency analysis of the storage time T is performed, the frequency distribution is calculated, and the frequency component of the signal is detected by detecting the frequency peak. (N is the number of chaotic neurons) For example, k = 0.7, α = 1.0, α = 0.3 in the original equation (1)
FIG. 3 shows the frequency distribution of the time series y (t) when the chaos is 65 and ε = 0.02. δ = 0.005, T = 409
6, the frequency distribution of a time series y (t) in which a weak periodic signal δ sin {(2πT m / T) t} is input to the right side of the equation (1) when T m = 512 is shown in FIG. A peak of the frequency distribution is observed at T m = 512. This is due to the resonance effect of chaotic dynamics of chaotic neurons. This peak can be detected by local comparison of the frequency axis by relative comparison of the distribution. As a comparison, FIG.
Weak periodic signal δ sin） (2π
Tm / T) t} y (t) + δsin {(2
πT m / T) t}. The periodic signal is buried in the chaotic frequency distribution and cannot be seen. According to equation (1),
The resonance effect can be obtained by including the periodic signal in the dynamics.
【００２０】このようなカオスニューロン素子の共鳴現
象を（２）式のようなネットワークにして、強調する。
（３）式の場合の加算平均The resonance phenomenon of such a chaotic neuron element is emphasized by forming a network as shown in equation (2).
Average in the case of equation (3)
【００２１】[0021]
【数４】 の周波数分布を図６に示す。ニューロンモデルのパラメ
ータは前述と同じで、ネットワークのパラメータはｗ＝
０．００５、Ｎ＝１００である。カオスニューロン素子
一つの場合に比ベて、強調されているのがわかる。ネッ
トワーク内の任意のニューロン素子ｙi（ｔ）を考えて
もカオスニューロン素子単体の時より強調されている。
図７に時系列ｙi（ｔ）の周波数分布を示す。ｉは任意
のものを考えれば良い。統計的に全て同じ周波数分布を
持つ。(Equation 4) FIG. 6 shows the frequency distribution of. The parameters of the neuron model are the same as above, and the parameters of the network are w =
0.005, N = 100. It can be seen that the emphasis is higher than in the case of a single chaotic neuron element. Considering any neuron element y i (t) in the network, the emphasis is more on the chaotic neuron element alone.
FIG. 7 shows the frequency distribution of the time series y i (t). i may be any value. All have the same frequency distribution statistically.
【００２２】図８に本発明のカオスニューラルネットワ
ークを用いた信号検出装置の第１の実施例の構成図を示
す。FIG. 8 is a block diagram showing a first embodiment of a signal detecting apparatus using a chaotic neural network according to the present invention.
【００２３】カオスニューラルネットワーク回路２は、
カオスを生成するニューロンモデルのネットワークダイ
ナミクスを表現しており、電気回路で実現できる。The chaotic neural network circuit 2
It expresses the network dynamics of a neuron model that generates chaos, and can be realized by an electric circuit.
【００２４】信号入力回路１は、カオスニューラルネッ
トワーク回路２内の複数のカオスニューロン素子に非常
に微弱な周期信号を入力する回路である。The signal input circuit 1 is a circuit for inputting a very weak periodic signal to a plurality of chaotic neuron elements in the chaotic neural network circuit 2.
【００２５】加算回路４は、カオスニューラルネットワ
ーク回路２内の複数のカオスニューロン素子の状態和を
行なう回路である。The adder circuit 4 is a circuit for summing the states of a plurality of chaotic neuron elements in the chaotic neural network circuit 2.
【００２６】時系列記憶回路５は、時系列を記憶する回
路である。The time series storage circuit 5 is a circuit for storing a time series.
【００２７】周波数解析回路６は、周波数分布を計算す
る回路で、ＦＦＴで実現できる。The frequency analysis circuit 6 is a circuit for calculating a frequency distribution, and can be realized by FFT.
【００２８】ピーク検出回路７は、周波数のピークを周
波数軸の局所的比較により、分布の相対的比較して検出
する回路である。The peak detection circuit 7 is a circuit for detecting a frequency peak by local comparison of the frequency axis and a relative comparison of distributions.
【００２９】次に、図９に本発明のカオスニューラルネ
ットワークを用いた信号検出装置の第２の実施例構成図
を示す。Next, FIG. 9 shows a configuration diagram of a second embodiment of a signal detecting apparatus using the chaotic neural network of the present invention.
【００３０】カオスニューラルネットワーク回路２は、
カオスを生成するニューロンモデルのネットワークダイ
ナミクスを表現しており、電気回路で実現できる。The chaotic neural network circuit 2 comprises:
It expresses the network dynamics of a neuron model that generates chaos, and can be realized by an electric circuit.
【００３１】信号入力回路１は、カオスニューラルネッ
トワーク回路２内の複数のカオスニューロン素子に非常
に微弱な周期信号を入力する回路である。The signal input circuit 1 is a circuit for inputting a very weak periodic signal to a plurality of chaotic neuron elements in the chaotic neural network circuit 2.
【００３２】出力回路３は、カオスニューラルネットワ
ーク回路２内の任意のカオスニューロン素子の状態を出
力させる回路である。The output circuit 3 is a circuit for outputting the state of an arbitrary chaotic neuron element in the chaotic neural network circuit 2.
【００３３】時系列記憶回路５は、時系列を記憶する回
路である。The time series storage circuit 5 is a circuit for storing a time series.
【００３４】周波数解析回路６は、周波数分布を計算す
る回路で、ＦＦＴで実現できる。The frequency analysis circuit 6 is a circuit for calculating a frequency distribution, and can be realized by FFT.
【００３５】ピーク検出回路７は、周波数のピークを周
波数軸の局所的比較により、分布の相対的比較して検出
する回路である。The peak detection circuit 7 is a circuit for detecting a frequency peak by local comparison of the frequency axis and a relative comparison of distributions.
【００３６】[0036]
【発明の効果】以上、本発明によれば、カオスニューラ
ルネットワークに対して、微弱な信号を各々ニユーロン
素子に入力し、ニューロンモデルのカオスダイナミクス
による共鳴現象を利用し、かつ、ニューロン素子間の相
互作用による共鳴現象の強調により、その周波数の信号
を増幅し、周波数分布のピークを調ベ、非常に微弱な周
期信号を検出することができる。As described above, according to the present invention, in the chaotic neural network, a weak signal is input to each of the neuron elements, the resonance phenomenon by the chaotic dynamics of the neuron model is used, and mutual interaction between the neuron elements is performed. By emphasizing the resonance phenomenon by the action, the signal of that frequency is amplified, the peak of the frequency distribution is checked, and a very weak periodic signal can be detected.
【図１】本発明のカオスニューラルネットワークを用い
た信号検出方法の第１の実施例のフローチャート図であ
る。FIG. 1 is a flowchart of a first embodiment of a signal detection method using a chaotic neural network according to the present invention.
【図２】本発明のカオスニューラルネットワークを用い
た信号検出方法の第２の実施例のフローチャート図であ
る。FIG. 2 is a flowchart illustrating a signal detection method using a chaotic neural network according to a second embodiment of the present invention.
【図３】元のカオスニューロンモデルのパラメータがカ
オスのときの時系列ｙ（ｔ）のの周波数分布を示す図で
ある。FIG. 3 is a diagram illustrating a frequency distribution of a time series y (t) when parameters of an original chaotic neuron model are chaos.
【図４】微弱な周期信号をニューロンモデルに入力した
ときの時系列ｙ（ｔ）の周波数分布を示す図である。FIG. 4 is a diagram showing a frequency distribution of a time series y (t) when a weak periodic signal is input to a neuron model.
【図５】元のニューロンモデルの時系列ｙ（ｔ）のに微
弱な周期信号を足しただけのときの周波数分布を示す図
である。FIG. 5 is a diagram showing a frequency distribution when only a weak periodic signal is added to the time series y (t) of the original neuron model.
【図６】カオスニューラルネットワークの時系列ｍ
（ｔ）の周波数分布を示す図である。FIG. 6 is a time series m of the chaotic neural network.
It is a figure which shows the frequency distribution of (t).
【図７】カオスニューラルネットワークの時系列ｙ
i（ｔ）の周波数分布を示す図である。FIG. 7 is a time series y of the chaotic neural network.
It is a figure showing the frequency distribution of i (t).
【図８】本発明のカオスニューラルネットワークを用い
た信号検出装置の第１の実施例の構成を示す図である。FIG. 8 is a diagram showing a configuration of a first embodiment of a signal detection device using the chaotic neural network of the present invention.
【図９】本発明のカオスニューラルネットワークを用い
た信号検出装置の第２の実施例の構成を示す図である。FIG. 9 is a diagram showing a configuration of a second embodiment of the signal detection device using the chaotic neural network of the present invention.
１ 信号入力回路 ２ カオスニューラルネットワーク回路 ３ 出力回路 ４ 加算平均回路 ５ 時系列記憶回路 ６ 周波数解析回路 ７ ピーク検出回路 Reference Signs List 1 signal input circuit 2 chaos neural network circuit 3 output circuit 4 averaging circuit 5 time series storage circuit 6 frequency analysis circuit 7 peak detection circuit
───────────────────────────────────────────────────── フロントページの続き (72)発明者 松本 信義 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 ──────────────────────────────────────────────────の Continued on the front page (72) Inventor Nobuyoshi Matsumoto 3-19-2 Nishi-Shinjuku, Shinjuku-ku, Tokyo Nippon Telegraph and Telephone Corporation
Claims (7)
のネットワークで構成されるカオスニューラルネットワ
ークを用いて非常に微弱な周期信号を検出する方法であ
って、 前記微弱な周期信号をカオスニューラルネットワークに
入力するステップと、ニューロンモデルのカオスダイナ
ミクスによる共鳴現象とニューロン素子の相互作用によ
り共鳴現象を強調するステップと、 前記カオスニューラルネットワークにより増幅された周
期信号を含むカオス時系列を取り出すステップと、 前記カオス時系列を周波数解析するステップと、 前記周波数解析の結果、カオス時系列の周波数分布のピ
ークを検出するステップと、 前記検出されたピーク値から周期信号の周波数を判定す
るステップを有するカオスニューラルネットワークを用
いた信号検出方法。1. A method for detecting a very weak periodic signal using a chaotic neural network constituted by a network of a plurality of neuron elements for generating chaos, wherein the weak periodic signal is input to the chaotic neural network. Performing the step of: emphasizing the resonance phenomenon due to the interaction between the resonance phenomenon and the neuron element of the neuron model due to the chaos dynamics; extracting the chaos time series including the periodic signal amplified by the chaos neural network; Using a chaotic neural network having a step of frequency-analyzing a sequence, a step of detecting a peak of a frequency distribution of a chaotic time series as a result of the frequency analysis, and a step of determining a frequency of a periodic signal from the detected peak value. Signal detection Method.
り増幅された周期信号を含むカオス時系列を取り出すス
テップが、 ニューロン素子の状態の加算平均を行うステップを有す
る請求項１記載のカオスニューラルネットワークを用い
た信号検出方法。2. The signal detection using a chaotic neural network according to claim 1, wherein the step of extracting the chaotic time series including the periodic signal amplified by the chaotic neural network includes the step of performing averaging of states of neuron elements. Method.
り増幅された周期信号を含むカオス時系列を取り出すス
テップが、 カオスニューラルネットワーク回路から任意の一つのニ
ューロン素子の状態を出力するステップを有する請求項
１記載のカオスニューラルネットワークを用いた信号検
出方法。3. The chaos according to claim 1, wherein extracting the chaotic time series including the periodic signal amplified by the chaotic neural network comprises outputting a state of any one neuron element from the chaotic neural network circuit. A signal detection method using a neural network.
のネットワークで構成されるカオスニューラルネットワ
ークを用いて非常に微弱な周期信号を検出する装置であ
って、 前記微弱な周期信号をカオスニューラルネットワーク回
路に入力する信号入力回路と、 ニューロンモデルのカオスダイナミクスによる共鳴現象
とニューロン素子の相互作用により共鳴現象を強調する
カオスニューラルネットワーク回路と、 前記カオスニューラルネットワーク回路により増幅され
た周期信号を含むカオス時系列を取り出す出力回路と、 カオス時系列の周波数解析を行い、カオス時系列の周波
数分布を計算する周波数解析回路と、 前記周波数分布のピークを検出するピーク検出回路を有
し、微弱な周期信号の周波数を判定するカオスニューラ
ルネットワークを用いた信号検出装置。4. An apparatus for detecting a very weak periodic signal using a chaotic neural network constituted by a network of a plurality of neuron elements for generating chaos, wherein the weak periodic signal is supplied to a chaotic neural network circuit. A chaos neural network circuit for emphasizing the resonance phenomenon due to the interaction between the resonance phenomenon and the neuron element due to the chaos dynamics of the neuron model, and a chaos time series including a periodic signal amplified by the chaos neural network circuit. An output circuit for extracting, a frequency analysis circuit for performing a frequency analysis of the chaos time series, and calculating a frequency distribution of the chaos time series, and a peak detection circuit for detecting a peak of the frequency distribution, and detecting a frequency of the weak periodic signal. Judging chaos neural network Signal detection apparatus using a click.
により増幅された周期信号を含むカオス時系列を取り出
す出力回路が、 ニューロン素子の状態の加算平均を行う加算平均回路を
有する請求項４記載のカオスニューラルネットワークを
用いた信号検出回路。5. The chaotic neural network according to claim 4, wherein the output circuit for extracting a chaotic time series including the periodic signal amplified by the chaotic neural network circuit has an averaging circuit for performing averaging of states of neuron elements. Signal detection circuit used.
により増幅された周期信号を含むカオス時系列を取り出
す出力回路が、 カオスニューラルネットワーク回路から任意の一つのニ
ューロン素子の状態を出力する出力回路を有する請求項
４記載のカオスニューラルネットワークを用いた信号検
出回路。6. An output circuit for extracting a chaotic time series including a periodic signal amplified by the chaotic neural network circuit has an output circuit for outputting a state of any one neuron element from the chaotic neural network circuit. A signal detection circuit using the chaotic neural network described in the above.
カオスニューラルネットワークを用いた信号検出装置。7. The signal detection device using a chaotic neural network according to claim 4, wherein the frequency analysis circuit is a frequency analysis circuit using FFT.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12077998A JP3507695B2 (en) | 1998-04-30 | 1998-04-30 | Signal detection method and apparatus using chaotic neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12077998A JP3507695B2 (en) | 1998-04-30 | 1998-04-30 | Signal detection method and apparatus using chaotic neural network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11311647A true JPH11311647A (en) | 1999-11-09 |
| JP3507695B2 JP3507695B2 (en) | 2004-03-15 |
Family
ID=14794805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12077998A Expired - Fee Related JP3507695B2 (en) | 1998-04-30 | 1998-04-30 | Signal detection method and apparatus using chaotic neural network |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3507695B2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914325A (en) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | Dissipation synchronization-based detection method of small signal under chaos background |
| CN106855585A (en) * | 2016-12-23 | 2017-06-16 | 燕山大学 | The Weak Signal Detection Method that a kind of chaos and filtering system are combined |
| JP2020063971A (en) * | 2018-10-17 | 2020-04-23 | 横河電機株式会社 | Optical fiber characteristic measuring device and optical fiber characteristic measurement method |
| WO2020137151A1 (en) * | 2018-12-25 | 2020-07-02 | Ｊｆｅスチール株式会社 | Learned model generation method, learned model, surface defect inspection method, steel manufacturing method, pass/fail determination method, grade determination method, surface defect determination program, pass/fail determination program, determination system, and steel manufacturing equipment |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031287B (en) * | 2018-09-21 | 2021-09-07 | 西安交通大学 | Human body respiration signal detection method based on fast-RCNN through-wall ultra-wideband radar |
-
1998
- 1998-04-30 JP JP12077998A patent/JP3507695B2/en not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914325A (en) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | Dissipation synchronization-based detection method of small signal under chaos background |
| CN106855585A (en) * | 2016-12-23 | 2017-06-16 | 燕山大学 | The Weak Signal Detection Method that a kind of chaos and filtering system are combined |
| JP2020063971A (en) * | 2018-10-17 | 2020-04-23 | 横河電機株式会社 | Optical fiber characteristic measuring device and optical fiber characteristic measurement method |
| CN111060285A (en) * | 2018-10-17 | 2020-04-24 | 横河电机株式会社 | Optical fiber characteristic measuring apparatus and optical fiber characteristic measuring method |
| US11047767B2 (en) | 2018-10-17 | 2021-06-29 | Yokogawa Electric Corporation | Optical fiber characteristic measurement device and optical fiber characteristic measurement method |
| CN111060285B (en) * | 2018-10-17 | 2022-05-10 | 横河电机株式会社 | Optical fiber characteristic measuring apparatus and optical fiber characteristic measuring method |
| WO2020137151A1 (en) * | 2018-12-25 | 2020-07-02 | Ｊｆｅスチール株式会社 | Learned model generation method, learned model, surface defect inspection method, steel manufacturing method, pass/fail determination method, grade determination method, surface defect determination program, pass/fail determination program, determination system, and steel manufacturing equipment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3507695B2 (en) | 2004-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2979425B1 (en) | Method and apparatus for detecting a multi-stage event | |
| Wang et al. | Robust fault detection for switched linear systems with state delays | |
| Singla et al. | Second-order provable defenses against adversarial attacks | |
| US8856923B1 (en) | Similarity-based fraud detection in adaptive authentication systems | |
| AlEroud et al. | A contextual anomaly detection approach to discover zero-day attacks | |
| EP2785008A1 (en) | Method and apparatus for detecting a multi-stage event | |
| CN111161259B (en) | Method and device for detecting whether image is tampered or not and electronic equipment | |
| CN110808881B (en) | Model deployment method and device, target monitoring method and device, equipment and system | |
| CN112437037B (en) | Sketch-based DDoS flooding attack detection method and device | |
| CN113592754A (en) | Image generation method and electronic equipment | |
| CN113452855A (en) | Howling processing method, howling processing device, electronic equipment and storage medium | |
| JPH11311647A (en) | Signal detection method and device using chaos neural network | |
| Zhang et al. | Detection method to eliminate sybil attacks in vehicular ad-hoc networks | |
| Liao et al. | Divergence-based transferability analysis for self-adaptive smart grid intrusion detection with transfer learning | |
| GB2617940A (en) | Spatiotemporal deep learning for behavioral biometrics | |
| Liu et al. | Securing online reputation systems through trust modeling and temporal analysis | |
| JPWO2022064639A5 (en) | ||
| CN107204856B (en) | A kind of method and device detecting elliptic curve loophole | |
| JPH10246739A (en) | Method and apparatus for detecting signal using state sum network of chaos neuron element | |
| Ngamga et al. | Recurrence-based detection of the hyperchaos-chaos transition in an electronic circuit | |
| CN112839025B (en) | Sybil attack detection method based on node attention and forwarding characteristics and electronic equipment | |
| JP3419429B2 (en) | Signal detection method and apparatus using chaotic neuron model | |
| CN112241671B (en) | Personnel identity recognition method, device and system | |
| CN112398226A (en) | Power supply system electricity stealing prevention method, system, terminal and storage medium | |
| CN116980181B (en) | Method and system for detecting associated alarm event |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20031219 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071226 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081226 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091226 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101226 Year of fee payment: 7 |
|
| LAPS | Cancellation because of no payment of annual fees |