基于LabVIEW的自适应滤波器设计与研究

针对自适应滤波器编程复杂,难以按照虚拟仪器系统的形式来测试工程应用中的实际性能等问题。文中利用LabVIEW8.6提供的自适应滤波器工具包,设计了基于最小均方误差算法、递推最小二乘算法的自适应滤波器,并对影响两种算法的参数对滤波器的敏感性进行了分析;进而,利用音频信号验证了滤波器性能。仿真结果表明,所设计的自适应滤波器功能全面,人机交互界面良好,便于工程技术人员快速开发,具有较好的工程实用价值。     

基于DSP的自适应滤波器的实现

在数字信号处理过程中,常常要处理一些无法预知的信号、噪声或时变信号,如果采用具有固定滤波系数的数字滤波器无法实现最优滤波。实现较好的滤波,必须设计自适应滤波器,以跟踪信号和噪声的变化。主要根据自适应滤波的结构及原理并对最小均方误差(LMS)算法进行了研究,同时在DSP的集成开发环境下利用C语言编程设计一个16阶LMS自适应滤波器,并在软件模拟器上实现了仿真。通过不断调整滤波器的自适应步长,对实验结果进行对比分析,最后给出了结论。     

降低噪声的自适应滤波器的设计与实现

LINC(用非线性器件实现非线性放大)发射机系统中的信号分离器(SCS)等部分因为会给系统带来噪声而影响系统性能,而目前在各种抑制噪声的方案中,数字自适应滤波器在各个领域都有很好的发展前景.本文的研究采用基于复杂度低、在平稳环境中快速收敛、均值无偏收敛的最小自适应(LMS)的算法来设计并实现了一个降低噪声的数字滤波器.在借助matlab平台进行仿真证明此方法降噪的可行性后结合TI的TMS320C6416这款芯片,最终得到了噪声抑制和信号增强的结果.     

时间序列预测方法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。针对时间序列预测方法,着重介绍了传统的时间序列预测方法、基于机器学习的时间序列预测方法和基于参数模型的在线时间序列预测方法,并对未来的研究方向进行了进一步的展望。     

基于LSSVM的混沌时间序列的多步预测

结合相空间重构理论和统计学习理论,实现混沌时间序列的多步预测．采用擞熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立渑沌时间序列的多步预测模型,并与径向基函数网络预测模型比较．结果表明,所建立的模型能够捕捉到原混沌系统的动力学特征．前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差,泛化能力较强．其预测效果较好．     

基于非线性自适应IIR滤波器的混沌时间序列辨识方法

提出了一种混沌时间序列的非线性自适应IIR滤波辨识算法,该算法采用非线性IIR滤波器来自适应跟踪非线性混沌动力系统的动态特性进行辨识,实验结果表明,该算法具有较高的辨识能力和抗噪声性能。     

基于最小均方算法的自适应有限长滤波器设计仿真

本文主要介绍最小均方算法的性能特点。基于最小均方算法的自适应滤波器电路结构简单且实时跟踪性能好。自适应滤波器的重要特性就在于它能够在未知环境申有效工作并能够跟踪输入信号的时变特性。理论分析和仿真结果表明，在低信噪比的前提下，自适应滤波器具有良好的信号处理性能，并对系统发生的突变表现出较强的鲁棒性。     

基于多尺度稀疏LSSVM的时间序列预测

最小二乘支持向量机在提高了支持向量机的运算速度的同时,失去了解的稀疏性.构造的多尺度稀疏最小二乘支持向量机,首先通过小波包分解对于数据进行多尺度描述,同时采用最小二乘支持向量机的学习算法获得数据之间的尺度相关性,可以实现解的稀疏性和可解释性,从而实现了系统的多尺度分解、子系统建模与合成的一体化.通过在时间序列预测上的应用可以发现,此模型在获得稀疏解的同时,极大地提高了系统的性能.而且,可以获得输出结果在不同尺度上的贡献度,增加了系统的可解释性.     

基于MCC的自适应混沌序列预测算法仿真

针对基于LMS的自适应预测算法对具有时变特性的时间序列预测在鲁棒性等方面存在缺陷,而使用最大广义相关熵准则以衡量输入输出的相似度,它含有误差分布的高阶统计量,对数据处理具有一定的鲁棒性,提出了一种基于MCC的混沌时间序列自适应预测算法,考虑到LMS算法和MCC准则的优势,将输入序列和权值向量分成两组,分别用LMS和MCC进行迭代训练,得到组合的新自适应预测算法.仿真结果表明,组合自适应预测算法在预测精度和鲁棒性方面都要优于基于LMS或基于MCC的预测算法.     

在线模糊最小二乘支持向量机的时间序列预测

基于模糊最小二乘支持向量机和在线学习算法,提出了一种模糊最小二乘支持向量机的增量式算法。传统最小二乘支持向量机引入模糊加权系数后,有效地提高了其抗噪性能。同时利用递推的核函数计算方法增强了该算法的在线学习能力。仿真结果表明,这一算法在运算精度和运算速度上都优于传统的支持向量机算法。     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数,并提出一种基于核主成分分析的非线性时间序列相空间重构方法,针对时间序列的时序特征,采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明,与通常的基于普通支持向量回归的建模方法相比,该文所提出的预测建模方法具有较高的精度,说明所提方法对非线性时间序列的预测建模是有效的。     

时空谱点源目标自适应滤波检测算法

针对复杂背景下的点源弱目标检测问题,根据Wiener-Hopf方程在自适应滤波算法中的应用原理,提出了一种新的利用时间/空间/谱段的多维信息融合自适应滤波算法(ASTS filter).该方法的研究主要有3个步骤:首先研究时域、空域突出和多谱段融合的性质,然后构造出针对运动弱点目标的滤波模板,最后将自适应RLS滤波器应用于有缓动背景下的多谱红外图像检测中.由于普通的RLS滤波器应用于图像处理采用的是像素点信息作为输入参数,其造成矩阵运算计算量过大、处理时间长等缺点,而将点目标进行空间、时间、谱段特征提取后的信息作为输入参数,不仅避免了大型矩阵的运算,还可获得更高的信杂比增益.通过大量实验数据,证明本算法具有优良的滤波性能,同时突破了点目标运动的轨迹限制.与其它算法的效果和计算量进行比较,证明文中算法更为快捷、有效和灵活.     

Variational Inference Based Kernel Dynamic Bayesian Networks for Construction of Prediction Intervals for Industrial Time Series With Incomplete Input

Prediction intervals (PIs) for industrial time series can provide useful guidance for workers. Given that the failure of industrial sensors may cause the missing point in inputs, the existing kernel dynamic Bayesian networks (KDBN), serving as an effective method for PIs construction, suffer from high computational load using the stochastic algorithm for inference. This study proposes a variational inference method for the KDBN for the purpose of fast inference, which avoids the time-consuming stochastic sampling. The proposed algorithm contains two stages. The first stage involves the inference of the missing inputs by using a local linearization based variational inference, and based on the computed posterior distributions over the missing inputs the second stage sees a Gaussian approximation for probability over the nodes in future time slices. To verify the effectiveness of the proposed method, a synthetic dataset and a practical dataset of generation flow of blast furnace gas (BFG) are employed with different ratios of missing inputs. The experimental results indicate that the proposed method can provide reliable PIs for the generation flow of BFG and it exhibits shorter computing time than the stochastic based one.      

基于IBH-LSSVM的混沌时间序列预测及其在抽油井动液面短期预测中的应用

为了提高预测模型的预测精度,模型参数的选取通常转化为目标参数的组合优化问题,但是预测结果经常会受到优化算法参数设置的影响．针对这个问题,本文提出了一种基于改进黑洞算法和最小二乘支持向量机的预测模型,该模型将嵌入维数、 延迟时间、 正则化参数和核函数参数作为组合优化目标,优化算法不需要额外设定任何主观参数．另外,为了防止模型训练的过拟合,采用基于快速留一法的在线校验方法．通过对寻优机制的改进,该模型具有更好的预测效果．将其应用于抽油井动液面的短期预测中,结果表明所提出的预测模型具有一定的实际应用意义．     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

Nonparametric Time Series Prediction Through Adaptive Model Selection

We consider the problem of one-step ahead prediction for time series generated by an underlying stationary stochastic process obeying the condition of absolute regularity, describing the mixing nature of process. We make use of recent results from the theory of empirical processes, and adapt the uniform convergence framework of Vapnik and Chervonenkis to the problem of time series prediction, obtaining finite sample bounds. Furthermore, by allowing both the model complexity and memory size to be adaptively determined by the data, we derive nonparametric rates of convergence through an extension of the method of structural risk minimization suggested by Vapnik. All our results are derived for general L error measures, and apply to both exponentially and algebraically mixing processes.     

基于VAE-ELM的时间序列预测及应用

针对传统自适应集成极限学习机预测算法中集成权值更新不充分,受人为因素影响较大所导致的集成模型预测精度较低的问题,提出一种基于方差自适应集成极限学习机(Variance Adaptive Ensemble of Extreme Learning Machine,VAE-ELM)的时间序列预测算法。该算法以最小化预测误差为目标,根据各个弱学习机的预测误差,通过反复迭代自适应地对其集成权值进行多次更新,按照最终的集成权值向量集成各个弱学习机得到最终输出。时间序列的仿真结果及液压泵状态参数预测实例表明,与E-ELM和AE-ELM算法相比,该算法鲁棒性强,预测精度更高。     

一种基于时间序列预测的重采策略

及时获取新增内容,是采集器的重要衡量指标。基于版块页-内容页架构设计的网络采集器通过定期重采入口的版块页,能够有效地快速识别新产生内容页面并进行扩展。然而获取内容的实时性与对网站访问的友好性存在一定的折中。传统的重采策略关注时效性,而忽略了对网站访问的友好性。该文提出了一种基于时间序列预测的改进重采策略兼顾时效性和友好性。实验表明,该方法可以在保证数据采集实时性的情况下,有效降低访问量,提升对网站访问的友好性。     

基于过程神经元网络的时间序列预测方法

传统人工神经网络时间序列预测方法难以表达时间序列中的时间累积效应。为此,提出一种基于过程神经元网络的时间序列预测方法。采用双链结构的量子粒子群对过程神经元网络进行训练,以Mackey-Glass混沌时间序列预测为例进行实验。仿真结果表明,该方法的均方误差比普通神经网络低一个数量级。