混沌量子粒子群优化的FHN神经元提升UWB信号检测性能

该篇论文研究的主题是"基于混沌量子粒子群的FHN神经元在超宽带冲激无线电(UWB-IR)信号检测中的应用改进"。UWB-IR技术由于其低功耗和高速度，在军事通信、目标检测等领域具有广泛应用，但也面临着在复杂环境中信号难以识别的挑战。传统的量子粒子群FHN神经元模型在信号检测过程中可能存在多样性降低和易陷入局部最优的问题，导致检测精度不高。 为解决这些问题，作者提出了一种创新的方法，即结合混沌优化算法对量子粒子群中的量子更新参数进行调整。混沌量子粒子群算法的优势在于它能够通过混沌动力学保持粒子的多样性和探索能力，从而避免局部最优陷阱，提升求解精度。FHN（FitzHugh-Nagumo）神经元模型在此背景下作为信号处理单元，其动态特性有助于捕捉信号特征。 研究者详细分析了所提算法的收敛性，证明了混沌量子粒子群FHN神经元模型在处理UWB-IR信号时具有更好的性能。通过与现有算法的仿真对比，结果显示新算法在保持高精度的同时，能显著提高粒子群的多样性和算法的收敛速度，使其能够在不同噪声强度下实现对UWB-IR信号的自适应检测，对于信号侦查和电子战领域的信号检测具有重要意义。 论文发表于2017年的《计算机工程与应用》期刊，由陈博文、蒋磊、刘潇文和张群等作者共同完成，他们来自空军工程大学信息与导航学院。他们的工作不仅拓展了随机共振理论在非周期信号检测的应用，还为UWB-IR信号检测提供了一种新的高效解决方案，对于提升电子对抗能力具有实际价值。