基于微分进化算法的自适应滤波的应用

电流互感器综合特性测试仪使用了传统LMS算法自适应滤波.基于传统LMS算法自适应滤波的缺点之一是容易陷入局部最优解,从而影响滤波效果.微分进化算法是一种较新的全局优化方法,能够保证全局最优解.将微分进化算法应用于自适应滤波,并将该滤波方法应用于电流互感器综合特性测试仪,取得了预期效果.     

MATLAB 平台下数字信号优化处理及其仿真

以某型混合控制系统为例,在Matlab平台下,研究了卡尔曼滤波理论对数字微分信号降噪优化处理的可行性、方便性和有效性.首先对数字微分信号算法进行设计,并通过数学仿真验证了所设计的数字微分算法的有效性;然后运用卡尔曼滤波理论,设计了自适应卡尔曼滤波器,对某型混合控制系统的数字微分信号进行了滤波优化处理;最后,为验证卡尔曼滤波器对所设计系统的有效性,对所设计的系统进行了数字仿真,并给出了系统仿真框图和部分仿真结果.从仿真结果看,卡尔曼滤波器对该类数字信号的降噪优化处理是可行的、有效的.     

基于改进自适应滤波算法的控制系统传感器故障诊断

应用标准的多模自适应滤波算法进行故障诊断时,需要一组与假设模型等数量的卡尔曼滤波器进行滤波计算,计算量很大而且耗时,这对于实时性要求很强的工程应用是不合适的,因此提出了一种改进自适应滤波算法,它只需要单个卡尔曼滤波器就可得到与标准的多模自适应滤波算法等价的残差,因此可以有效地减少计算量和计算时间.将此算法应用于某无人机控制系统的传感器故障诊断,仿真结果验证了该方法的有效性.     

基于并行技术和流水线的LMS自适应滤波算法

针对现有自适应滤波算法中数据处理效率低的问 题,提出了基于并行技术和流水线的最小均方误差（Least mean square,LMS）自适应滤波算法。该算法构建基 于并行技术的多输入多输出滤波器结构,成倍提高系统滤波处理速度;设计基于流水线的LMS 自适应滤波权系数求解方法,有效改善了权系数计算效率。最后利用现场可编程门阵列(Field programmable gate array,FPGA)对该算法进行了验 证,结果表明,对于四级并行流水线四阶LMS自适应滤波器,其数据处理速率提高了约8倍,在相同的数据处理速率下,其功耗可降低约84%,从而提高了LMS自适应滤波处理速率,降低了系统功耗,实现了高速、超高速数据流的实时自适应滤波 处理。     

一种新的基于自适应神经网络模糊推理系统的图像滤波器

提出了一种新的基于自适应神经网络模糊推理系统的去除噪声算法。该算法是一个结合了中值滤波、维纳滤波和自适应神经网络模糊推理系统的综合滤波器。噪声点通过算法被准确地估计出来,自适应神经网络模糊推理系统的参数通过训练得到,训练可以通过简单的计算机合成图像来进行。将含噪声的图像、中值滤波后的图像和维纳滤波后的图像作为系统的三个输入,通过一个固定阈值来判断像素点是否为噪声点作为系统的输出,如果判断是噪声点,则通过中值滤波来进行去噪处理,如果判断是非噪声点,则灰度值保持不变。算法的特点就是在能够保持好线条、边缘、细节和纹理的同时,很好地去除噪声点。仿真实验表明,算法可以对噪声污染的图像进行有效的重建,同时不会扭曲图像中的有用信息。     

一种改进粒子滤波算法及其在多径估计中的应用

针对传统粒子滤波存在的粒子枯竭问题,提出一种基于自适应差分进化的粒子滤波算法。利用自适应差分进化算法代替粒子滤波中的重采样策略来产生新粒子,使粒子向状态后验概率密度函数的高似然区移动,同时提高粒子的多样性。通过一种非线性自适应调节策略自适应地调整变异因子和交叉因子,以提高改进粒子滤波中差分进化的寻优能力。应用于多径估计的仿真结果表明,该算法可克服粒子枯竭问题,与粒子滤波、扩展卡尔曼滤波和差分进化的粒子滤波算法相比,具有更好的多径估计性能。     

基于协同进化微粒群算法的神经网络自适应噪声消除系统

在分析前向神经网络结构的基础上,定义了一个与随机数对应的布尔向量,实现了前向神经网络的网络结构与权值联合编码;将网络结构参数作为协同进化微粒群算法子群的划分标志,构造了一种用于神经网络进化设计的协同进化微粒群算法,实现了神经网络的结构和权值协同自适应进化设计,应用于神经网络噪声消除系统,取得了比较好的效果。     

关于目标跟踪定位的仿真方法研究

研究雷达定位精度和准确性问题,为了解决在目标定位跟踪中由于目标机动引起的无迹卡尔曼滤波(UKF)误差大和滤波发散问题,提出了一种基于UKF和自适应神经网络-模糊推理系统(ANFIS)的新的目标跟踪定位方法.将自适应神经网络-模糊推理系统应用于目标跟踪系统,利用状态变量的预测误差和预测误差的变化率来自适应地调整卡尔曼滤波器的系统噪声协方差矩阵,实现了模糊推理、神经网络和UKF的有效结合,并应用于雷达目标定位跟踪系统进行仿真.仿真结果表明,方法比UKF有更好的跟踪性能,收敛快,对目标机动有更好的适应能力,为设计提供了依据.     

基于TMS320C6713DSK的自适应滤波器实现

自适应滤渡器可时信号实现最优的滤波效果.简要介绍了利用TI公司的TMS320C 6713DSK实现自适应滤波器的设计方案,自适应滤波算法采用易于实现的LMS算法.通过对一段音频信号的仿真实验证明:利用DSP实现的自适应滤波能够实时地对信号进行处理,在运算速度上要比其他的软件实现的自适应滤波器快很多.     

自适应滤波RLS算法研究与DSP实现

自适应滤波器一直是随机信号处理当中的一个重要的研究课题,可以不需要预先知道给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数,从而实现最佳滤波.研究了自适应滤波器的基本结构和自适应滤波递推最小二乘(RLS)算法在DSP上的实现,采用定点TMS320VC5416 DSP为平台,通过C语言设计了一个RLS算法的16阶自适应滤波器,在CCS环境下进行仿真结果查看,并通过与MATLAB进行仿真比较.实验结果表明,该滤波器有效、性能良好,实现了较好的滤波功能,在数字信号处理领域有很好的应用价值.     

Adaptation in differential evolution: A numerical comparison

Paper considers adaptation of control parameters in differential evolution. Adaptation by competitive setting is described and two novel variants of competitive differential evolution are proposed. Five adaptive variants of differential evolution are compared with other search algorithms on three benchmarks. One of them is the novel composition test functions, where the variants of differential evolution outperform other algorithms in 5 of 6 test functions. The NIST nonlinear regression datasets are used as the second benchmark and a subset of CEC’05 benchmark functions as the third one. The performance of adaptive differential evolution is compared with the adaptive controlled random search algorithm, tailored especially for the nonlinear-regression problems. Two of five tested variants of adaptive differential evolution are almost as reliable as the adaptive controlled random search algorithm and one of these variants converges only slightly slower than the adaptive controlled random search in nonlinear-regression problems. The results achieved in CEC’05 benchmark functions are close to the best performing algorithm. Therefore, the adaptive differential evolution is a promising tool of heuristic search for the global minimum in boundary-constrained problems.     

Dynamic filter weights neural network model integrated with differential evolution for day-ahead price forecasting in energy market

In this paper a new dynamic model for forecasting electricity prices from 1 to 24 h in advance is proposed. The model is a dynamic filter weight Adaline using a sliding mode weight adaptation technique. The filter weights for this neuron constitute of first order dynamic filter with adjustable parameters. Sliding mode invariance conditions determine a least square characterization of the adaptive weights average dynamics whose stability features may be studied using standard time varying linear system results. The approach is found to exhibit robustness characteristics and first convergence properties. Comparison of results with a local linear wavelet neural network model is also presented in this paper. The hourly electricity prices of California and Spanish energy markets are taken as experimental data and the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) are computed to find out the forecasting performance of both the models. In both the cases the MAPE and RMSE are found to be within the tolerable limits. As dynamic filter weight neural network gives better results in comparison to local linear wavelet neural network, the former has been further integrated with differential evolution algorithm to enhance the performance.     

满足故障隔离率指标的测试序列优化差分进化算法

最优测试序列的设计是故障诊断过程中必须解决的非确定多项式（Non-deterministic polynomial,NP）完全问题。基于自适应差分进化算法,提出一种惯性速度差分进化（Inertial velocity differential evolution,IVDE）算法,通过增加额外的惯性速度项求解复杂电子系统最优测试序列问题（Optimal test sequence problem,OTP）。为求解该优化问题设计了个体的状态与测试序列编码方式,构建了包含故障隔离率（Fault isolation rate,FIR）等指标的个体适应度函数,通过优化生成诊断决策树来减少测试设备和测试成本。仿真结果表明,IVDE算法可以求得既满足FIR要求,又减少测试成本的测试序列。与粒子群优化算法（Particle swarm optimizer,PSO）、遗传算法（Genetic algorithm,GA）等其他算法相比,IVDE可以求解OTP,得到更好的解。     

多目标微分进化改进算法及应用

微分进化算法作为一种新型、简单、高效的并行随机优化算法,近年来在许多领域得到了应用,多目标微分进化便是其中的一种。针对传统多目标微分进化算法中微分进化控制参数不能自适应调整、算法容易出现早熟和退化的现象,采用惯性权重参数自适应调整的控制策略以及改进的拥挤距离算法对多目标微分进化进行改进,并将改进后的算法用于控制系统PID参数优化仿真试验。结果表明,改进后的多目标微分进化算法具有较好的收敛性和分布性以及较高的搜索效率。     

基于滤子混合协同进化算法的无功优化

混合整数非线性规划问题存在于大量工程和管理中,针对此问题提出一种滤子混合协同进化算法.利用滤子技术代替罚函数处理约束条件,采用混合编码和由差分进化算法与遗传算法异构的种群协同解决混合整数变量问题,引入基于平均熵和Logistic混沌初始化增加算法鲁棒性,利用自适应缩放因子和精英交流学习策略构成策略协同,与种群协同耦合,以提高算法搜索能力.以IEEE30节点测试系统进行无功优化为例,仿真结果表明所提出的算法具有全局搜索能力和有效性.     

基于多DSP系统的并行延时LMS算法的实现

随着对信号处理要求的不断提高，基于AD公司21xx系列16位定点DSP中的ADSP-2181提出了一种具有很强适应性与灵活性的多DSP结构，同时介绍了基于FIR滤波器的自适应滤波算法，包括常规LMS算法，延时LMS算法，以及基于二输入二输出FIR滤波器的并行延时LMS算法，详细介绍了易于实现并行和流水线结构并行延时LMS算法，并将自适应滤波中的两大热点——自适应算法的研究与高速信号处理的实际工程相结合，重点研究了并行延时LMS算法在多DSP结构中的实现，体现了并行算法的优越性。     

自适应差分滤波在减摇鳍加载系统中的应用

设计了一种自适应差分滤波器渡除减摇鳍加载系统中的噪声。利用一阶差分对原始数据的噪声点进行识别与纠正。自适应地调整差分滤波器的检测阈，在严重冲击干扰时．经自适应差分处理之后。再采用算术均值滤波法进行平滑处理．实际应用的结果表明该算法可有效地抑制减摇鳍加载系统的噪声干扰。     

基于差分文化算法的FIR数字滤波器设计

有限脉冲响应（FIR）数字滤波器的设计实质可看作是多参数优化问题。为高效实现FIR数字滤波器,将滤波器的设计转化为滤波器参数优化问题,然后提出差分文化粒子群（DC）算法在参数空间进行并行搜索以获得滤波器设计的最优参数值。提出的差分文化算法结合文化原理差分演进原理,是一种可用于实数优化的多维搜索算法。计算机仿真实验表明在设计FIR数字滤波器设计时,差分文化算法的收敛速度和性能都优于粒子群,量子粒子群以及自适应量子粒子群优化等算法,证明了该方法的有效性和优越性。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。