基于LMS算法自适应噪声抵消系统的仿真研究

介绍了自适应噪声抵消系统的原理和LMS算法,并给出了基于LMS算法自适应噪声抵消系统的仿真图。通过分析仿真结果表明基于LMS算法的自适应噪声抵消技术可以有效的抵消正弦干扰信号,这样在语音信号处理中就能消除含噪语音信号中的背景噪音,达到提高语音信号质量的目的。     

基于RLS算法的自适应噪声抵消系统研究

介绍了一种基于RLS算法的自适应噪声对消系统,说明了噪声对消系统的原理以及RLS算法的步骤与流程。通过实例仿真,得到了基于RLS算法的自适应噪声抵消系统仿真图。分析仿真结果得出,在单频干扰与宽带噪声干扰两种情况下,RLS自适应滤波器都能很好地消除干扰得到有用信号。证实了在通信语音信号处理中,用基于RLS算法的自适应噪声对消系统可以消除语音噪声,提高语音通信的信号质量。     

基于毫米波雷达的动态目标生命体征检测研究

毫米波雷达测量生命体征技术具有重大医用价值,然而呼吸谐波和人体随机移动信号作为噪声信号的一种,严重影响了心跳频率的提取。针对上述问题,根据不同呼吸方式的特点提出了一种多检测点信号分离技术与自适应噪声抵消算法相结合的方法测量动态目标心率,完成实验测试。该方法先通过77 GHz调频毫米波雷达同时测量待测者胸部和腹部微动信号,再利用新提出的基于胸部和腹部的多检测点信号分离技术分离胸部和腹部基带信号,之后通过自适应噪声抵消算法消除噪声信号,最后对心跳信号进行频谱分析得到心跳频率。实验表明,在人体随机移动状态下,该方法可以有效消除噪声信号干扰,且单一目标多次测量实验中测量心率的误差率仅为1.19%,较多通道卡尔曼平滑器方法降低了0.97%。     

自适应噪声抵消系统的设计与性能仿真

LabVIEW作为一种图形化虚拟仪器编程语言,其在信号的生成、分析和处理上优势明显。利用其可以设计虚拟的自适应噪声抵消系统,从而可以应用于实际工程中对噪声抵消性能的测试验证。本文针对强噪声背景下有用信号的提取问题,介绍了自适应噪声抵消的原理,并对3种基本自适应滤波算法的步骤与流程进行了阐述。基于LabVIEW图形化虚拟仪器编程语言设计了虚拟自适应噪声抵消系统,系统结构简单,人机交互界面较好。在该系统下以3种自适应滤波算法为例仿真验证了的噪声抵消的性能,结果表明,3种自适应滤波算法的滤波性能与实际分析相符,验证了所设计系统的有效性和正确性。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

改进谱减法结合神经网络的语音增强研究

背景噪声是通信系统噪声干扰的来源之一,语音增强可以降低乃至消除噪声干扰,进而提高语音的可懂度.为了减小复杂噪声环境下谱减法引发的音乐噪声,采取正交的多窗谱估计对语音功率谱平滑处理,有效的减小了信息丢失和估计波动.利用自适应谱减系数调整谱增益和谱下限来控制残留噪声,利用优化的IMCRA算法对噪声及时更新来判决语音段和静音段,同时借助特性良好的BP神经网络方法进行训练,语音和噪声谱通过谱减后,波形重构获取增强的语音信号.仿真结果表明语音降噪效果好、可懂度高.     

用于APF的神经网络自适应谐波电流检测方法

介绍了一种应用于有源电力滤波器APF(Active Power Filter)的神经网络自适应谐波电流检测方法。该方法应用自适应噪声抵消技术ANCT(Adaptive Noise Canceling Technology),将基波电流作为噪声信号,从负载电流中滤除,得到谐波电流。采用两层人工神经网络实现噪声抵消。阐述了该神经网络的构造和权值自适应调整算法,应用Matlab对该方法进行了仿真研究。仿真结果表明该方法能够实时准确地检测谐波．而且计算量小．具有较强的自适应能力。     

BP神经网络在车辆类型识别系统中的应用

介绍了基于BP及其改进算法的多层神经网络的学习训练方法,阐述了噪声测量法识别车辆类型的系统原理和方法。实践证明,基于BP神经网络的噪声测量方法能够快速、准确、有效地识别汽车车辆类型。     

去除电磁辐射测量信号中同频背景噪声的研究

现实环境中由于存在大量的背景噪声,当背景噪声和被测辐射的频率相同时,将导致无法进行精确测量.提出了一种基于递归最小二乘(RLS)自适应对消的精确测量系统,利用接收信号的相关性来将被测信号中同频背景噪声去除掉.分析了实际测量中存在的通道噪声和串扰对测量系统性能的影响.理论分析和仿真结果表明,该技术可以去除同频背景噪声,从...     

多参考输入自适应噪声抵消器的算法与实现

针对单参考办入自适应噪声抵消器在多噪声源情况下除噪效果不理想的问题,根据多参考输入自适应噪声抵消器模型,推导了多参考输入最小均方算法,并给出其改进算法。以语音信号为例,给出了多参考输出自适应语音消噪算法及多参考输入自适应语音噪声抵消器的实现方案,并进行了计算机仿真,给出了仿真结果。     

基于双接口分集和数据样本的脉冲噪声抑制算法

针对电力线与无线双接口通信中的电力线突发脉冲噪声（BIN）的干扰问题,提出一种基于分集信号抵消和自适应阈值估计（DSC-ATE）的BIN抑制算法。首先,利用电力线和无线并行信道传输相同的分集信号,接收端通过分集信号抵消获得脉冲噪声样本,降低峰平比对阈值估计的影响;然后利用噪声样本对非线性函数的最佳阈值进行估计;最后对脉冲噪声进行抑制处理。为了提高算法的鲁棒性和可扩展性,该文通过引入折扣因子和学习率来实现算法在复杂度和精度之间的有效折中。与已有的非线性处理算法相比,该方法不需要噪声的先验统计信息,并可根据信道环境的变化自适应地调整阈值。仿真结果表明,所提算法在可靠性和阈值精度方面均具有显著提升。     

一种改进自适应算法在EMI测试中的应用

虚拟暗室的测试理论是用于普通环境下的EMI测试的新方法,它的基础是自适应噪声抵消系统。本文设计一种改进的自适应噪声抵消系统,通过添加较大额外噪声的方法,有效地解决实际测试时由于存在信号串扰的而导致的输出信噪比不合理的问题。利用LabVIEW和MATLAB编写相应的RLS自适应算法程序并进行了仿真实验,结果表明这种改进算法比标准的方法可得更佳的信噪比。     

基于DSP的自适应随机共振微弱信号检测方法*

随机共振是一种有效检测微弱信号的非线性方法,对它的研究和实现具有重要的工程应用价值。针对工业现场存在的背景噪声未知的高频微弱信号（不满足绝热近似理论条件）的随机共振检测问题,提出了基于参数补偿的自适应参数诱导随机共振方法,以系统输出信噪比作为适应度函数,将系统势垒与噪声强度大致相等时可产生最佳的随机共振效应作为知识,采用基于知识的粒子群优化算法来并行优化随机共振系统的参数。设计了基于DSP的自适应随机共振检测系统,实现了对信号的实时处理,并通过ModbusRtu协议将检测结果实时显示在触摸屏上,从而实现微弱信号的检测。     

α噪声下自适应非线性耦合双稳随机共振弱信号检测

在α噪声条件下,为实现微弱周期信号的检测,提出了以平均信噪比增益(A-SNRI)为衡量指标的自适应非线性耦合双稳随机共振系统。先通过调节α噪声参数,将此α噪声与待测信号输入非线性耦合双稳系统中,再通过自适应算法,得出最优系统参数以及耦合系数。实验结果表明,周期信号通过自适应非线性耦合双稳系统后发生了随机共振现象,其频谱图出现了陡峭的尖峰且信噪比增益效果提升明显,说明自适应非线性耦合双稳随机共振系统能够有效地检测出淹没在α噪声中的信号。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于非线性系统的自适应神经网络均衡器特性分析*

针对非线性系统中的时变及参数动态变化引起的非线性失真及频谱衰落,提出了一种自适应神经网络均衡器结构与反向传播的遗传学习算法。均衡器前馈部分采用RBF神经网络,用于对非线性系统信道的逼近,而反馈部分采用基于递归最小二乘算法的判决反馈。实验验证了该判决反馈的自适应神经网络均衡器能有效消除非线性系统信道干扰,在误比特率方面改善了均衡器的性能。     

中压电力线通信自适应OFDM系统背景噪声抑制技术研究

针对中压电力线通信自适应OFDM系统缺乏抗噪声干扰措施的问题,介绍了一种低复杂度的子空间迭代算法用以抑制背景噪声。该方法基于子空间理论来分解含噪OFDM信号的特征空间,并在信号失真最小的约束条件下,应用拉格朗日最优极值法来获得理想信号的最佳估计。针对经典子空间方法求特征值分解时的高计算量,该方法采用重复一维子空间迭代的办法来降低计算复杂度。构建了结合信噪比门限与注水原理的自适应OFDM系统,并仿真比较背景噪声抑制前后的系统性能。结果表明,该方法能够进一步改善误比特率性能,提高信噪比。应用该方案可优化自适应OFDM系统在PLC中的应用。     

基于振动噪声及BP神经网络的变压器故障诊断方法研究

文中提出了基于变压器振动噪声及BP神经网络的故障诊断方法,通过振动噪声检测系统获得变压器振动噪声信号,经FFT变换计算得到特征值,特征值作为输入量经训练好了的BP神经网络预测得到变压器故障类型。通过对6种变压器典型形态试验的诊断,验证了该方法的有效性。该方法充分利用变压器振动噪声信号,通过BP神经网络算法实现变压器带电故障诊断,大大提高了变压器故障诊断率,为变压器运维人员提供了一种带电巡检的有效途径。     

神经网络算法的改进及其在有源电力滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计了一种基于改进梯度算法的BP神经网络自适应PI控制器。该控制器将神经网络技术与PI参数设计相结合,与传统的PI控制器相比,该控制器具有结构简单、易于在线调整等优点。同时,为了克服采用神经网络算法修正权值系数时,会存在局部极小、收敛速度慢的问题,对BP神经网络采用的梯度算法进行改进。利用代数法代替梯度下降法,从而解决了易出现局部极小问题,且使收敛速度更快。仿真实验表明,改进后的神经网络自适应PI控制器较传统的PI控制器有更快的响应速度和更高的补偿精度,从而使系统更稳定,而且电网电流的谐波畸变率更低。