利用混沌间歇进行弱信号检测的时频高分辨率（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

---

💥1 概述

本文设计并使用了基于三角函数的非线性Liènard型系统作为高灵敏度信号检测器。基于一些混沌系统中呈现的间歇机制，我们构建了一个由五个混沌振荡器组成的自适应检测阵列，并对其进行了充分调试和测试。在这个阵列中，每个振荡器可以识别非平稳弱信号中的频率变化，并估计间歇发生的时间，从而实现时频谱的表示，即使存在高水平的噪声。方法：本文表明，基于三角函数的系统通过两种方法具有以原点为中心的渐近稳定极限环：首先是通过固定点分析，然后是通过使用一组周期轨道的Melnikov方法。一旦确保了极限环，通过搜索和调整参数的迭代方法，系统被配置为驱使自身进入称为间歇的混沌路径。然后，新系统可以用作非平稳信号检测器，同时提供高分辨率的时频表示。结果：计算机实验表明，我们的三角函数振荡器在混沌间歇状态下工作，并配置为自适应阵列时，能够克服其他二阶非线性振荡器（如Duffing、Van der Pol和Van der Pol-Duffing）在噪声条件下存在的信噪比阈值，实现高检测率，并在-35 dB信噪比下保持约1%的相对误差。结论：与传统振荡器相比，我们的振荡器对小信号具有更好的灵敏度和抗噪声能力。此外，我们由Liènard型五振荡器阵列组成的整个系统承诺能够检测低功率信号，并以最小误差进行时频重构。

📚2 运行结果

部分代码：

%clc;
clear;
format long;
%close all;
load ./data/ChirpLineal.mat Chirp

%% Runge-Kutta Parameters
h=1e-12;  %Step size
a=0;      %Initial Time
b=1.2e-6; %Final Time for Integration

xl=0;
yl=0;

%% Chirp Parameters

Wini=6e9;
fini=Wini/(2*pi);
ffin=(45e13/pi)*(b-a) + fini;
Wfin=ffin*(2*pi);
K=(ffin-fini)/(b-a);
A = 0.01; % Amplitud
W=Wini;
tic

%% Window Size 
tv= sqrt(0.14/K);
TV=a:tv:b;  % Array for overlaping
global ts
ts=h;        %Step size
NVent=length(TV);

%% Li猫nard-type System Parameters
F=0.7;
alfa=2;
beta=1.8654;
epsilon=2.5263;

%% Delta Omega distribution
DW1=0.92;
DW2=0.96;
DW3=1.04;
DW4=1.08;

%% SNR and chirp amplitude 
dB=-5;
Ampli=75;
F1=Ampli*abs(max(Chirp)); %Set amplitude F1=0.3
sigma=sqrt( (F1^2)/(2*10^(dB/10)) ); %Standard deviation for adding noise
Umbral=1.9; %Upper threshold

MonteCarlo=20; %Number of Monte Carlo iterations
tic
for MC=1:1:MonteCarlo
    
    ruido = normrnd(0,sigma,[1,length(Chirp)]); %Noise
    CHIRP= Ampli*Chirp + ruido; %Chirp with additive noise
    
    freq(1)=fini; %set initial frequency

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]栾云,焦广贺.微弱信号检测的间歇混沌方法[C]//中国自动化学会全国青年学术年会.中国自动化学会, 2002.

[2]刘立.基于混沌理论的微弱信号检测方法研究[D].华北电力大学(河北)[2023-12-24].DOI:10.7666/d.y839580.

🌈4 Matlab代码、数据