基于BP神经网络的盲均衡器设计

为构建用于某语音信号传输系统盲均衡器的BP神经网络模型,编写了基于BP神经网络的盲均衡算法伪代码,计算了算法的时间复杂度,分析了BP神经网络输入层神经元个数、隐含层神经元个数和隐含层层数对盲均衡算法性能的影响,评估了基于Sigmoid的变步长算法、基于误差补偿的变步长算法和基于误差的变步长算法对基于BP神经网络的盲均衡器性能的改进效率,据此设计了一种含双隐层结构的BP神经网络盲均衡器,并对其性能进行了数值仿真分析,明确了其适用范围,为该语音信号传输系统设计提供了技术支撑。     

拟牛顿优化BP网络盲判决反馈均衡器

针对水声通信严重多途效应导致的码间干扰,利用神经网络良好的非线性拟合能力,将盲判决反馈均衡器结构与神经网络相结合,同时通过拟牛顿算法提升神经网络的收敛速度,提出了一种拟牛顿优化神经网络的盲判决反馈均衡器。用两个单隐层误差反向传播（Back Propagation,BP）网络替换判决反馈均衡器前馈和反馈滤波器,利用拟牛顿迭代计算神经网络权值,在不计算二阶导数的前提下,使用近似矩阵来近似各层网络权值误差性能函数Hessian矩阵的逆矩阵,通过测量各层权值的梯度变化进行迭代计算。应用自动增益控制和锁相环进行幅度和相位修正。仿真结果表明,拟牛顿优化神经网络的盲判决反馈均衡器在水声信道均衡问题中具有更快的收敛速度及更低的误码率。     

判决引导和常数模融合盲均衡算法研究

结合判决引导（DD：Decision-Directed）算法和常数模算法（CMA：Constant Modulus Algorithm）的各自优点,研究了一种基于DD和CMA的融合盲均衡算法。DD算法收敛速度快,但要求初始接收信号眼图张开,CMA算法稳健,但是收敛速度慢,为此,对接收信号依DD算法和CMA算法获得瞬时误差后进行加权融合处理,以加权后获得的瞬时误差对均衡器权系数进行调节,实现均衡。计算机仿真证明了融合盲均衡算法有效提高收敛速度的同时具有良好的稳健性和均衡性能。     

水声通信中变步长神经网络盲均衡算法研究

在水声通信领域多途引起的码间干拢可以用均衡消减。盲均衡不需要训练序列,这将有效的节省通信带宽,提高通信效率及通信性能。实际中的通信信道不可能是完全线性的,神经网络作为一种非线性动态系统,具有大规模并行处理及高度的鲁棒性特征,将其应用于水声信道盲均衡切实可行。文中对变步长BP算法的前馈神经网络进行了理论和算法分析,并通过计算机对其实现水声信道盲均衡进行了仿真。仿真结果表明采用变步长BP算法比采用传统BP算法的神经网络盲均衡器收敛速度快,均衡性能明显提高。     

引入支持向量机的小波分数间隔盲均衡算法

针对正交小波变换分数间隔盲均衡算法(FSE-WT-CMA)收敛速度慢且存在局部收敛问题,提出了一种引入支持向量机的正交小波分数间隔盲均衡算法(SVM-FSE-WT-CMA).该算法通过对分数间隔盲均衡器的输入信号进行正交小波变换,以降低信号的自相关性,并且利用支持向量机将盲均衡问题转化为全局最优的支持向量回归问题,采用...     

适用于QAM信号的方形判决超指数迭代盲均衡算法

针对超指数迭代判决反馈(Super-Exponential Iteration Decision Feedback Equalization,SEI-DFE)盲均衡算法在水声通信系统中表现出的收敛性差的问题,提出了一种基于正方形判决的修正超指数迭代判决反馈盲均衡算法。该算法在修正超指数算法的基础上,引入判决正方形机制分别对输出信号的同相分量和正交分量进行均衡,以进一步提高相位补偿能力;在判决反馈均衡器中引入二阶数字锁相环,实现对相位旋转的跟踪和补偿。消声水池实验采用16QAM调制信号,从滤波器阶数、步长以及Q矩阵大小三个方面对算法的影响来验证算法的误码率性能,结果表明,新算法的误码率相比修正超指数迭代判决反馈(Modified Super-Exponential Iteration Decision Feedback Equalization,MSEI-DFE)算法改善了两个量级,实现了对相位旋转的有效补偿,大大改善了载波恢复性能。     

人工神经网络应用于适应滤波的研究

目的 用神经网络实现Adaline自适应滤波权值调节。方法 在Adaline自适应滤波器中,滤波器的权值调节是通过LMS自适应算法进行调整的,但LMS的自适应算法的收敛速度慢,从而大大影响了Adaline自适应滤波器的滤波性能,作者利用TH网络进行TH－Adaline滤波器系统辨识。并给出了Adaline滤波器权值输出变化曲线的仿真结果。结果与结论 利用TH神经网络来实现滤波器权值调节的Adaline自适应滤波器运算速度比运用LMS算法的Adaline自适应滤波器的收敛速度快。     

基于瞬时最优控制神经网络的建筑结构主动控制研究

改进一种基于瞬时最优控制的神经网络训练算法。本方法以瞬间最优控制价值函数最小化为训练目标,考虑了地震输入的能量,利用最速下降梯度法计算权值的改变量,并对敏感度矩阵进行近似处理,可解决神经网络控制中神经网络控制器难以获得的训练输入/输出样本对的难题。该方法适合多输入/多输出结构体系,整个推导过程都是针对此体系进行的。文中通过对一个三层框架结构体系进行有效的仿真计算,说明了算法的有效性。     

基于误差信号的双模式遗传盲均衡算法研究

DD算法具有收敛速度快,稳态剩余误差小的优点,是一种最常用的盲均衡算法。遗传盲均衡算法是一种新的盲均衡算法,它利用遗传算法来解决盲均衡问题,具有较好的全局优化特性。在综合研究了DD算法及遗传盲均衡算法的特性后,利用误差信号的特性,给出了一种新的双模式遗传盲均衡算法,有效的结合了DD算法以及遗传盲均衡算法的优点,大大提高了算法的运算速度,提升了收敛性能,解决了遗传盲均衡算法运算量大的问题,并通过计算机仿真验证了该算法的有效性。     

对纹理敏感的误差扩散算法设计

针对误差扩散算法输出中边缘易被模糊的问题,对该算法的基本原理进行了分析,认为原因是误差扩散改变了未处理像素在量化中的取值倾向。据此设计了一种对图像纹理敏感的误差扩散滤波器。因该滤波器在平滑渐变区域输出质量较差,为此又设计了基于局部傅里叶分析的滤波器选择算法,分别使用该滤波器与传统滤波器处理纹理丰富区、平滑渐变区。通过对该算法输出的测试图进行评价,证明了算法对提高半色调输出质量有较明显的作用。     

多维线性模型参数估计的神经网络方法

本文提出一种用于多维线性模型（ＡＲ，ＡＲＭＡ）参数估计的神经网络方法和相应的递归预测误差算法。本文在分析多输入、单输出，含一个隐含和多层神经网络的输入输出关系的基础上，提出了首先将理想输出Ｘｉ进行预畸变（Ｆ（Ｘｔ））作为神经网络的训练目标。当神经网络训练完毕后，网络的连接权就是待估计的线性模型参数。本文提出方法的优点是网络结构简单，估计结果准确。仿真模拟结果表明，本文所提出的神经网络方法估计多维线性模型参数是有效的。     

最小均方电液负载模拟器加载系统控制研究

在电液负载模拟器进行动态力加载时,对其快速性指标有更高要求,此时加载误差比较大的问题就凸显出来,即输出加载力的数值随加载频率的增大而增大、相位也有超前,针对加载系统的这一性能特殊变化规律与实际现象,提出基于最小均方算法的自适应神经网络控制策略。该方法对神经网络的配置权值进行实时在线调整,调整效率和算法的收敛性都有明显提高,可以有效减小控制系统工作时的循环调整时间。当输入信号经过加权运算后作用于加载控制系统时,加载误差明显减小,加载系统的快速性与跟踪精度进一步提高。仿真和实验结果表明,采用文中方法后,加载力输出的幅值增大和相位超前量得以抑制,系统动态力加载时的综合性能有所提高,所提出算法调整规则有效。     

故障滚动轴承振动信号的半盲处理方法研究

利用旋转机械的振动信号的循环平稳特性，采用基于二阶统计量（Second Order Statistic，SOS）的盲均衡技术从多个传感器信号中恢复出“真实的”振动源信号，实现了同类信号的数据级融合。以滚动轴承故障信号的阶次谱结构为先验知识，提出了用于滤波性能评价的两个指标，实现了盲均衡滤波器参数的优化，从而给出了一种可用于滚动轴承故障诊断的半盲信号处理方法。采用某型单级减速齿轮箱的实验数据验证了该方法的有效性。     

Nonrecursive filtration for lag correction in measurement systems

Piecewise-constant and comb weighing functions have been synthesized for use in processing the output signal from a measurement system showing lag, which is described by a linear differential equation having constant coefficients and having a right-hand side not containing derivatives of the input, which enables one to recover the instantaneous value of the input signal. An estimate is made of the error in correcting the output signal from a second-order low-frequency filter excited by a harmonic signal.Translated from Izmeritel'naya Tekhnika, No. 1, pp. 10–12, January, 1994.     

基于深度神经网络的水声FBMC通信信号检测方法

针对传统水声滤波器组多载波（Filter Bank Multi-Carrier,FBMC）通信接收端需经过信道估计和均衡才可恢复出发送符号,系统复杂度高且信道估计精度不佳等问题。文章将深度神经网络融入到水声多载波通信当中,提出一种基于深度神经网络的水声FBMC信号检测方法。在训练阶段通过大量的数据迭代、调试超参数和优化算法来改善深度神经网络参数,使其具有预期的估计效果。利用训练完成的深度神经网络模型取代传统FBMC通信系统接收端的信道估计、均衡等模块,自适应地学习水声信道状态信息,同时避免了固有的虚部干扰影响。在测试阶段直接将频域序列作为网络的输入来预测发送的二进制序列,仿真结果表明所提出的基于深度神经网络的FBMC信号检测方法相比传统信道估计算法有更好的误码率性能。     

共生生物搜索算法在水声信道均衡中的应用

由于多径效应和频散效应导致水声信道中声信号衰减和失真严重,传统均衡技术不能满足在水声信道中应用的要求,近年来神经网络在均衡技术方面的突出表现受到广泛关注,因此,本文提出一种高效的神经网络训练算法,即基于非线性自回归神经网络的改进共生生物搜索算法(简称NARX-nSOS算法)实现水声信道均衡。该算法在非线性自回归神经网络(Nonlinear Autoregressive Neural Network with Exogenous Inputs, NARX)均衡器的基础上,用共生生物搜索算法(Symbiotic Organisms Search, SOS)来进行优化,并结合反向学习算法(Opposition-Based Learning, OBL)来提高该算法的收敛能力,利用计算机对NARX-nSOS算法的有效性进行了仿真验证,结果证明NARXnSOS算法加快了收敛速度,通信质量得到了显著提高。