共查询到19条相似文献,搜索用时 93 毫秒
1.
2.
基于DSP的自适应滤波器的实现 总被引:2,自引:1,他引:1
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。 相似文献
3.
4.
5.
基于LSSVM的混沌时间序列的多步预测 总被引:17,自引:1,他引:17
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. 相似文献
6.
7.
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。 相似文献
8.
肖强 《计算机技术与发展》2011,21(3)
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. 相似文献
9.
10.
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。 相似文献
11.
12.
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. 相似文献
13.
Variational Inference Based Kernel Dynamic Bayesian Networks for Construction of Prediction Intervals for Industrial Time Series With Incomplete Input 下载免费PDF全文
Long Chen Linqing Wang Zhongyang Han Jun Zhao Wei Wang 《IEEE/CAA Journal of Automatica Sinica》2020,7(5):1437-1445
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. 相似文献
14.
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. 相似文献
15.
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. 相似文献
16.
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. 相似文献
17.
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。 相似文献
18.