[发明专利]混沌时间序列的高精度自适应盲估计方法

说明书

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10supgt;‑16/supgt;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。

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