論文綜述了混沌研究的發(fā)展歷史及其意義，歸納和總結(jié)了混沌的定義及混沌的基本特征，著重介紹了混沌分析方法及混沌時(shí)間序列預(yù)測(cè)和目標(biāo)檢測(cè)方法，闡述了本論文研究的目的和意義。對(duì)相空間重構(gòu)的原理及相空間重構(gòu)的主要方法進(jìn)行了詳細(xì)的介紹，給出了相空間參數(shù)確定的主要方法，其中包括確定延遲時(shí)間τ的自相關(guān)函數(shù)法、復(fù)自相關(guān)法和互信息法;確定嵌入維數(shù)m的Cao方法以及延遲時(shí)間和嵌入維數(shù)同時(shí)確定的C-C法，采用C-C法對(duì)常見(jiàn)的混沌系統(tǒng)進(jìn)行了相空間重構(gòu)，實(shí)驗(yàn)仿真結(jié)果表明，該方法能夠較好的重構(gòu)出混沌時(shí)間序列的相空間。根據(jù)Lyapunov指數(shù)的原理，采用小數(shù)據(jù)量法計(jì)算最大Lyapunov指數(shù)的方法，計(jì)算出時(shí)間序列的最大Lyapunov指數(shù)并判斷該系統(tǒng)是否混沌，然后利用Lyapunov指數(shù)根據(jù)數(shù)據(jù)序列本身所蘊(yùn)含的規(guī)律對(duì)混沌時(shí)間序列進(jìn)行預(yù)測(cè)，這種預(yù)測(cè)方法不需要事先建立主觀的分析模型，且具有精度高、可信度強(qiáng)的優(yōu)點(diǎn)，仿真結(jié)果表明，該方法能夠較準(zhǔn)確的計(jì)算出混沌序列的最大Lyapunov指數(shù)，同時(shí)對(duì)混沌序列的具有較強(qiáng)的短期預(yù)測(cè)性。基于混沌動(dòng)力系統(tǒng)相空間的延遲坐標(biāo)重構(gòu)，提出了預(yù)測(cè)混沌時(shí)間序列的Volterra自適應(yīng)濾波預(yù)測(cè)法，對(duì)多種低維混沌序列采用二階Volterra自適應(yīng)濾波器進(jìn)行預(yù)測(cè)，對(duì)高階非線性混沌序列采用高階非線性傅立葉紅外濾波器進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，當(dāng)預(yù)測(cè)濾波器的長(zhǎng)度選擇足夠大時(shí)，采用Volterra自適應(yīng)濾波器能夠有效地預(yù)測(cè)多維混沌時(shí)間序列。在相空間重構(gòu)理論的基礎(chǔ)上，將改進(jìn)的遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出了一種混合遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)混沌時(shí)間序列的方法。通過(guò)復(fù)相關(guān)法和Cao方法重構(gòu)混沌時(shí)間序列，利用改進(jìn)的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、初始權(quán)值和閾值，然后訓(xùn)練神經(jīng)網(wǎng)絡(luò)求得最優(yōu)解。該算法應(yīng)用到混沌時(shí)間序列的預(yù)測(cè)中，并與BP算法和RBF算法的預(yù)測(cè)精度進(jìn)行了比較，仿真結(jié)果表明該算法對(duì)混沌時(shí)間序列具有更好的非線性擬合能力和更高的預(yù)測(cè)精度。提出了一種基于差分進(jìn)化RBF神經(jīng)網(wǎng)絡(luò)的混沌背景下目標(biāo)信號(hào)檢測(cè)方法，采用差分進(jìn)化（DE）算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的中心矢量、基寬度和輸出連接權(quán)值，對(duì)混沌時(shí)間序列進(jìn)行預(yù)測(cè)，并利用支持向量機(jī)（SVM）分類(lèi)器進(jìn)行目標(biāo)檢測(cè)，對(duì)基于傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)檢測(cè)方法和常用差分進(jìn)化優(yōu)化算法的實(shí)驗(yàn)仿真結(jié)果進(jìn)行了比較，驗(yàn)證了該方法的有效性。針對(duì)混沌海雜波的建模與目標(biāo)信號(hào)檢測(cè)問(wèn)題，以相空間重構(gòu)和模糊理論為基礎(chǔ)，提出了一種基于T-S模型的模糊聚類(lèi)方法對(duì)混沌時(shí)間序列進(jìn)行預(yù)測(cè)和目標(biāo)檢測(cè)，利用自適應(yīng)門(mén)限法判決混沌背景下微弱目標(biāo)信號(hào)的有無(wú)。在模糊聚類(lèi)建模中將前件劃分和結(jié)論參數(shù)分開(kāi)辨識(shí)，既簡(jiǎn)化辨識(shí)步驟，又提高模型的泛化能力，同時(shí)解決了模糊模型隨辨識(shí)系統(tǒng)復(fù)雜程度提高而規(guī)則數(shù)增大的問(wèn)題。與基于RBF神經(jīng)網(wǎng)絡(luò)的混沌背景下弱信號(hào)檢測(cè)結(jié)果進(jìn)行比較，仿真結(jié)果驗(yàn)證了該方法的有效性。在相空間重構(gòu)和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種基于自適應(yīng)變異混合粒子群的神經(jīng)網(wǎng)絡(luò)算法。該算法采用基于群體自適應(yīng)變異和個(gè)體退火操作的混合粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)，通過(guò)自適應(yīng)變異操作和模擬退火算法調(diào)整和優(yōu)化粒子群，提高了算法的全局收斂性。將該算法應(yīng)用于混沌時(shí)間序列的預(yù)測(cè)和混沌背景下的微弱目標(biāo)信號(hào)檢測(cè)，仿真結(jié)果表明該算法具有很強(qiáng)的非線性預(yù)測(cè)能力，能夠較好的檢測(cè)出混沌背景下的微弱目標(biāo)信號(hào)。