基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

彩色图像脉冲噪声的自适应矢量滤波

提出了基于噪声像素检测的自适应矢量滤波器的新方法,该法对图像中噪声像素进行检测时,仅对噪声像素进行矢量滤波,而对非噪声像素则保持其原值不变,并可根据图像噪声情况自适应地选择滤波窗口。新滤波器能有效地滤除彩色随机脉冲噪声,并保持图像边缘与细节,其性能优于经典的矢量中值滤波器、方向一距离滤波器、方向一幅度矢量滤波器等非线性滤波器。     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

神经网络自适应滤波器

本文介绍一种新颖的非线性自适应滤波器－自适应神经网络滤波器。由于神经网络具有学习非线性函数到任意的精度以及自适应能力，这种滤波器优于线性滤波器，能适应各种噪声环境。     

一种线性与非线性的混合滤波算法

提出了一种线性与非线性混合滤波算法。该算法充分结合了线性滤波器和非线性滤波器的优点,比均值滤波器和中值滤波器具有更好的抑制噪声的能力,能较好的保持图像的边缘和几何结构细节。     

神经网络自适应滤波器

本文介绍一种新颖的非线性自逅应滤波器——自适应神经网络滤波器.由于神经网络具有学习非线性函数到任意的精度以及自适应能力,这种滤波器优于线性滤波器,能适应各种噪声环境.在自适应LMS算法基础上,提出了在线PB训练算法、收敛速度快.最后以自适应噪声对消系统为例,进行了计算机仿真,结果显示了这种滤波器的良好性能.     

基于自适应线性神经网络的心电信号滤波

针对心电信号检测中存在的噪声，将线性神经网络与自适应噪声对消原理结合起来，设计出了自适应线性神经网络滤波器，以实现对心电信号中工频干扰、呼吸引起的基线漂移的滤除。经仿真验证，该滤波器对这两类噪声的滤除均有较好的效果。     

基于模糊神经网络的彩色图像滤波器研究

为实现彩色图像噪声的滤波，基于模糊神经网络技术构建了一种新型的彩色图像滤波器．该滤波器通过对滤波窗口的彩色图像像素矢量进行模糊加权来判断邻近像素和中心像素的关系，针对不同性质的噪声由神经网络的自学习和自组织功能来自动调节滤波器的权值以实现噪声的滤除．用Flowers图像和Lena图像对经过训练的滤波器和矢量中值滤波器进行了测试对比．结果表明：模糊神经网络彩色滤波器无论对单纯的脉冲噪声及高斯噪声，还是二者的混合噪声，其滤除能力都要优于矢量中值滤波器，并且有较好的边缘和细节保持能力．     

基于Sage-Husa的线性自适应平方根卡尔曼滤波算法

针对标准卡尔曼滤波和扩展卡尔曼滤波存在的局限性,结合平方根滤波的思想,对传统Sage-Husa估计器进行改进,提出了一种新的线性自适应平方根卡尔曼滤波(Linear Adaptive Square-RootKalman Filtering,LASRKF)算法。该算法直接对系统状态方差阵和噪声方差阵的平方根进行递推与估算,确保了状态和噪声方差阵的对称性和非负定性;算法还增添了对系统噪声统计特性估计的计算,强化了滤波器的稳定性和自适应能力;与传统Sage-Husa自适应滤波算法相比LASRKF可提高滤波器抗发散的能力。仿真实验表明,LASRKF可有效提高滤波器的精确性、稳定性和自适应能力。     

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。     

基于径向基函数神经网络的车内噪声品质评价系统

为了高效而准确地对车内噪声品质进行评价,针对B级车稳态工况下的车内噪声,建立了基于径向基函数(RBF)神经网络的声品质评价系统。用等级评分法对30个稳态噪声信号进行了主观评价试验,并通过相关分析得出了对声品质有重要影响的客观参量。采用RBF神经网络构建了车内噪声品质的评价模型,其预测平均相对误差为4.5%。以评价模型为基础,采用模块化设计方法和多线程并行处理技术,设计了基于虚拟仪器的声品质评价系统。测试结果表明:该系统比传统的主观评价试验系统的测试时间缩短了90%,并提高了评价结果的质量。     

基于多传感器融合的鸡肉新鲜度检测方法

为了快捷、无损检测鸡肉新鲜度,建立了一套基于电子鼻和力学参数两种传感器以及神经网络识别技术的智能检测系统。根据鸡肉腐败机理,合理选择传感器。采用RBF神经网络作为模式识别方法。经理化试验证明系统检测鸡肉新鲜度准确率达93.65%,结果表明设计的融合系统检测鸡肉新鲜度是可行的。     

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.     

基于小波消噪和自适应滤波的FECG提取

应用小波分析和自适应滤波消噪相结合的方法提取胎儿心电(feta electrocardiogram,FECG)信号.对样本信号对软阈值去噪和硬阈值去噪进行了对比分析,发现软阈值去噪较好.把去噪后的信号作为自适应滤波消噪的参考信号,将腹部信号作为主输入信号,构建了基于RLS自适应噪声抵消(recursive least squares adaptive noise cancellation)系统,并对其进行了样本试验.     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理．针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络．实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能．     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补. 在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阈值进行学习，同时确定最佳的网络结构. 利用原型观测资料建立了大坝变形预测的遗传神经网络模型，模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持.     

汽车发动机电子控制系统的神经网络诊断技术

以发动机电子控制系统为对象,记录发动机运行过程的各种数据,研究基于BP神经网络和RBF神经网络的发动机电子控制系统传感器的故障诊断方法,并将主成分分析方法和神经网络相结合设计发动机电子控制系统诊断神经网络;借助流行的汽车OBDⅡ自诊断协议,组建发动机电子控制系统的诊断数据采集系统,并记录实验发动机电子控制系统工作时系统的输入、输出数据,进行诊断神经网络的训练和诊断网络系统的评价。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.