预处理自适应滤波算法

提出一一种可以在现有自适应滤波算法基础上减小运算量、提高性能的自适应滤波算法。本文将原有自适应滤波器分解为一个常规时不变数字滤波器（预处理滤波器）和一个低阶的时变滤波器（自适应滤波器）的级联。预处理滤波器改善了输入与参考之间的相干性，而降低自适应滤波器的阶数则降低了算法运算量。     

两种简化的仿射投影自适应滤波算法

在仿射投影算法的基础上,提出了两种简化仿射投影自适应滤波算法（ＳＡＰ）,新算法的收敛速度比传统的能量归一化最小均方误差算法（ＮＬＭＳ）快,而计算量增加不多,易于实现,计算机仿真主宰了上述结论。     

更普适的快速自适应图像滤波算法——近均值滤波

对常见的滤波算法进行分析,在此基础上提出“近均值”的概念,设计相应的滤波算法。对滤波窗口尺寸采用自适应的方式,在排除部分可疑噪声数据后,对剩余数据计算均值。提出三种计算近均值的规则和两种噪声判断方案,组合设计了九种滤波算法。在与均值滤波、中值滤波及部分改进的滤波算法进行实验对比后,确定提出的第七种滤波算法具有更好的滤波效果,能适应不同类型的噪声,其普适性和实用性进一步增强。     

基于向量图分析的迭代学习控制非线性算法

打破多年来人们一直囿于Arimoto的思路 ,另辟途径寻找新的迭代学习控制的研究方法 ,以期构架迭代学习控制的几何理论 .基于数学的几何方法 ,通过对通常算法所构成的向量图进行分析 ,获得了一类快速的迭代学习控制新算法 ,然后对这种新结构的算法在理论上进行了完整的收敛性分析 .这类新算法与目前所有迭代学习控制算法不同 ,具有非线性结构 .仿真结果表明了该类算法的有效性与优越性     

基于改进NLMS算法的自适应滤波算法

最小均方算法是应用最广泛的自适应算法之一,但其收敛速度欠佳。在传统NLMS算法的基础上,提出了重复调整归一化最小均方算法(DRNLMS)即在相邻两输入信号样本的间隔时间进行额外调整运算,以提高算法的收敛性,并通过计算机仿真实现该算法。     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度。本文在Hopfield神经网络的基础上，提出了自适应滤波算法的神经网络硬件实现。从理论上进行了分析，并进行了仿真。     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度，本文在Hopfield神经网络的基础上，提出了自适应滤波算法的神经网络硬件实现，从理论上进行了分析，并进行了仿真。     

基于多个子窗口的自适应滤波改进算法

在分析了常见的图象噪声过滤算法和自适应滤波算法的基础上,提出了基于多个子窗口的自适应滤波改进算法,在处理每一个象素时,把四个子窗口同时作用于该象素,并以均方误差最小的子窗口的中值,作为处理后的该象素的灰度值。给出了算法的设计思想、具体实现和误差分析,这是一种具有保护图象细节和良好去噪性能的新型算法。为图象去噪处理的应用和研究提供了一种方法和思路。     

中值滤波的快速算法

利用矩形相邻窗口间的相关信息，提出了中值滤波的快速算法。该算法可将传统算法的复杂度O(n^2）简化为O(n），运算速度大大提高。     

基于U-滤波LMS算法的自适应逆控制系统

根据对IIR算法的快速收敛性考虑，采用了基于U－滤波LMS算法的IIR控制器。并且与传统的FIR结构的X－滤波LMS算法的自适应逆控制器作了比较，在相同条件下，U－滤波LMS算法的控制系统大大减少了计算量，快速性得到了提高，并且权值的失调较小，对于参考模型的输出具有非常优良的跟踪性能。     

基于向量图分析的一种迭代学习控制算法及其鲁棒性

为了增强迭代学习控制的鲁棒性,加快学习过程的收敛速度,而又不过多地依赖于系统内部信息,本文基于向量图分析思路,利用输入空间的向量构造三角形修正结构,得到了一种新的迭代学习控制算法．该算法根据跟踪误差的大小,调节输入控制量在三角形的一条边上滑动,在跟踪误差较大时,算法能找到控制期望的大致位置并加速收敛,在跟踪误差较小时,能将控制量稳定在其期望的很小邻域内,理论上证明了该邻域直径大小为跟踪误差的二阶无穷小．数值仿真结果说明了它的有效性和优越性．     

基于向量图分析的分布参数系统迭代学习控制

针对一类不确定线性分布参数系统的迭代学习控制问题进行了讨论。基于向量图分析方法,提出了分布参数系统的一种新的迭代学习控制算法,该算法与现有算法不同,具有非线性形式。此外,利用 范数对所提新算法进行了完整的收敛性分析。     

基于支持向量机的自适应卡尔曼滤波技术研究

针对卡尔曼滤波(KF)中噪声的统计特性与实际不符时滤波精度严重降低甚至引起滤波器发散的问题,提出一种基于支持向量机的自适应卡尔曼滤波算法(SVMAKF).根据新息理论方差与实际方差的比值,应用支持向量机产生自适应因子对卡尔曼滤波器的噪声方差阵进行在线修正,使噪声方差阵能够根据实际噪声的变化得到调整.通过对雷达目标跟踪系统的仿真表明,该算法对噪声有较强的自适应性,能够提高滤波精度和滤波器的鲁棒性.     

基于矢量相似性的多元滤波方法研究

为了避免彩色图像滤波时排序的难题,在探究矢量相似性的基础上提出一种针对彩色图像的多元滤波方法。首先,在RGB彩色空间中,利用彩色矢量间距离和角度定义其相似性测度,以刻画与人类视觉感知相一致的彩色相似性;其次,以上述彩色相似性为准则设计并构建一种彩色多元滤波方法,并就其相关参数对滤波性能的影响进行了深入分析和研究;最后,为了验证提出方法的有效性,将其应用于标准彩色影像和彩色遥感影像滤波。提出的方法不仅有效解决了传统滤波方法的排序难题,而且克服了因滤波使图像模糊、边缘不清等问题;另外,将提出的多元滤波与传统方法进行实验对比,结果表明其不仅能有效滤除多种类型噪声,而且较好地保持了原始图像信息,使图像信息保真清晰,其视觉效果优于传统,客观评价指标也有较大幅度的改善和提升。     

基于几何分析的迭代学习控制快速算法

基于几何分析, 对迭代学习控制问题进行了讨论. 在这种几何框架下获得了与目前算法完全不同的快速算法, 为迭代学习控制的研究开辟了一条全新的途径. 这种基于几何理论的新途径, 能明确的指引人们应该怎样去设计更好的学习算法, 而不是像目前的研究结果那样, 总是囿于Arimoto(1984)所提出的最基本的算法形式之中. 数值仿真结果表明新算法的有效性与优越性.     

基于结构自适应滤波方法的非线性系统辨识

针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题,将结构自适应引入辨识的优化,提出一种基于子系统的结构自适应滤波（SSAF）方法。该方法的模型由若干子系统级联而成,每一个子系统均为线性-非线性混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器（IIR）,非线性部分则是一个静态的非线性函数。初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接,而不含反馈的连接机制确保了非线性系统的有效性。采用一种自适应多精英引导的复合差分进化（AMECoDEs）算法用于自适应模型循环优化,直至找到最优的结构和参数,即全局最优。实验结果表明,SSAF方法在非线性测试函数以及真实数据集上的表现优异,辨识率高且收敛性好,与聚焦时滞递归神经网络（FTLRNN）相比,它所用参数的个数仅为FTLRNN的1/10,且适应值精度提高了7%,验证了所提方法的有效性。     

基于联邦滤波的自适应算法研究

针对标准卡尔曼滤波器对系统的模型和噪声的统计特性依赖性强,而系统的准确数学模型难以建立的问题,结合联邦滤波和自适应估计理论,提出了一种基于联邦滤波的自适应算法。该算法通过残差的实际值与理论值的比值来确定误差方差阵的估计值,然后调节自适应卡尔曼滤波器的渐消因子,从而有效提高了联邦滤波器的适应能力。由仿真结果可知,改进的联邦滤波器能较好地利用测量信息对系统的相关参数进行自适应的调整,滤波结果具有很好稳定性和准确性。