一种α稳定分布下的变步长最小ρ-范数算法

本文提出一种新的基于α稳定分布噪声环境下的自适应滤波算法,这种算法针对变步长自适应滤波算法收敛速度和稳态误差相矛盾的不足,建立了步长μ（n）与误差信号e（n）之间的新的非线性函数关系。该函数能够削弱输入端不相关α稳定分布噪声对步长调整的影响,更好地解决稳态误差与收敛时间之间的矛盾。通过系统辨识仿真结果表明,新的算法α对稳定分布下的尖峰脉冲噪声有较强的韧性,比传统的NLMP算法有更快的参数辨识速度和更小的稳态误差,同时还具有很好地跟踪多时变系统的能力。     

LMS和RLS自适应滤波算法对比研究

介绍了自适应滤波器的基本原理,对最小均方(LMS,Least Mean Squares)和递归最小二乘(RLS,Recursive Least Squares)自适应算法进行仿真分析及对比研究.仿真结果及实例均表明,两种算法都能有效抑制和抵消各种干扰,但相比之下,RLS算法具有更好的收敛性能及稳定性.     

基于双递归自适应滤波的高精度频率估计算法

针对线谱信号的检测与频率估计问题,在分析自适应瞬时频率估计算法的基础上,提出一种具有双递归特性的信号频率提取算法:将自适应滤波器组成递归环路,通过比较不同的自适应滤波器输出信号的瞬时频率序列方差来进行滤波器中心频率以及带宽的更新,从而获得最优的滤波输出.仿真分析表明,与传统方法相比,此方法具有更好的噪声抑制能力以及频率跟踪能力,还可以获得可控的频率估计精度.     

基于迭代中值滤波的自适应两级排序滤波算法

针对图像去噪时往往会改变未受噪声污染像素的灰度值的问题,提出了一种去除图像中椒盐噪声的新型滤波算法.该算法采用两级滤波,并在两级滤波之间通过自适应算法确定未受噪声污染但在第一级滤波中被滤除的像素,以保持这些像素的原灰度值不变,保护了图像的真实性;同时在第一级滤波时采用迭代中值滤波,使滤波效果更佳.实验结果表明,所提出的滤波算法的效果优于现有的滤波算法,尤其是噪声密度超过0.3时,该算法的优势更加明显.     

基于剩余噪声检测的自适应中值滤波算法

在对图像中噪声模型分析的基础上,提出了一种基于剩余噪声检测的自适应中值滤波算法.通过对剩余脉冲的检测,自适应地改变滤波器窗口尺寸,从而有效地滤除密度较大的脉冲干扰,同时较好地保留图像的细节.对实际图像的测试结果表明,所提出算法的输出结果优于标准中值滤波器.     

基于α稳定分布噪声下匹配滤波的信号检测

针对传统匹配滤波器在非高斯噪声环境中检测性能明显下降的问题，提出了一种基于α稳定分布噪声下匹配滤波的信号检测方法，并应用于非高斯噪声中已知确定信号的检测．仿真结果表明在非高斯噪声下，该方法的检测性能明显优于传统匹配滤波器的性能．     

自适应FIR滤波器的算法研究

针对有限脉冲响应(finite impulse response,FIR)数字滤波器结构的优化问题,通过在系统辨识模型中的应用,将粒子群优化算法(particle swarm optimization,PSO)与传统自适应最小均方(LMS)算法和递归最小二乘(RLS)算法仿真结果进行对比.实验结果表明了3种算法在不同的应用环境和条件下具有各自的优越性,为今后自适应滤波算法的选择提供了一定的参考信息.仿真结果中PSO算法在低阶滤波器应用中具有快速的收敛性、较高的计算精度以及低复杂度等特点,可以将其作为均衡算法对偏振膜色散进行补偿,为这一研究方向提供了新的思路和方法.     

基于归一化最小均方算法的自适应核RBFNN

为了使自适应核径向基函数神经网络(RBFNN)有更好的收敛速度和稳态误差,提出了以归一化最小均方为学习算法对自适应核RBFNN进行优化的方法。在梯度下降算法的基础上,通过一个可变的步长因子,对归一化最小均方(NLMS)算法进行推导,并将其作为学习算法对自适应核RBFNN的权系数及偏差进行更新训练。在非线性系统辨识及模式分类中的仿真实验结果表明,使用NLMS学习算法训练自适应核RBFNN相较于其他学习算法下的自适应核RBFNN,具有更快的收敛速度及相对较小的稳态误差。     

自适应事件触发机制下带有未知输入的多速率信息物理系统的递归滤波（英文）

信息物理系统具有多速率的信息收集和处理功能,并且对信息交换具有依赖性。本文旨在设计一种联合递归滤波方案,用于估计具有未知输入的多速率信息物理系统的输入和系统状态,其中联合递归滤波器和传感器之间的信息传输受自适应事件触发策略控制。通过求解一组代数矩阵方程,可以递归地确定满足要求的联合滤波器增益,并且可以通过一些代数运算获得保证滤波误差协方差有界的充分条件。基于协方差交叉融合的概念,提出一种利用局部状态估计的融合估计方案。最后,通过一个数值仿真验证了所提自适应事件触发递归滤波算法的有效性。