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。     

基于分段块频域自适应滤波算法的长延时回声消除

在网络电话、电话会议、车载电话、IP电话等免提电话系统以及其他一些通信系统中,要想得到高质量的回声消除效果,必须抑制声学回声、尤其是长延时回声.然而对于长延时回声的抑制,如果采用传统的基于LMS/NLMS的自适应算法,则会产生大而复杂的计算量,且收敛速度慢.为解决此问题,本文对分段块频域自适应滤波算法进行了研究,即首先对该算法进行了描述,然后通过录制两个语音信号进行仿真.仿真结果表明,该方法具有非常好的长延时声学回声消除效果.     

基于双边滤波与自适应灰度的钢筋图像预处理

双边滤波这一要素,能处理特有的钢筋图像。滤了图像这一范畴的高频噪声,再依循亮度的更替,保持图像固有的高频成分,接纳自适应架构下的灰度过程。这一新颖方式,把滤波器惯用的权系数,更替成亮度信息特有的乘积。经由优化的这一权系数,再与原初的钢筋图像,进行最优的卷积运算。滤波流程中,要去除图像固有的噪声,与此同时,保持钢筋图像固有的清晰边缘。滤波器预设的权系数,会随同亮度更替而更替,因此,预处理的时段内,要达到期待中的滤波目的。     

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。     

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。     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

信号检测系统中预处理滤波算法的研究

针对信号检测系统中原始信号采集后的预处理滤波问题,分别采用FIR滤波算法和LMS滤波算法对该问题加以分析和讨论。通过功率谱密度、小波能量系数分析评价体系,验证了预加重信号在能量谱提升方面起到的作用,同时得出LMS滤波算法在信号预处理方面优于FIR滤波算法的结论。最后将该预处理滤波算法信号检测系统应用于整体传感器信号的测试检测中,该实验取得了较好的效果。     

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。     

几种稀疏自适应滤波算法的对比研究

介绍了稀疏路径回声消除PNLMS、MPNLMS、IPNLMS和MIPNLMS的几种自适应滤波算法,并进行了Matlab的仿真比较。仿真结果表明,PNLMS的初始收敛速度优于NLMS,但当脉冲响应变得密集后性能明显下降,甚至不如NLMS。IPNLMS将NLMS与PNLMS结合,从而无论脉冲响应稀疏或是非稀疏,它都有较好的收敛速度。MPNLMS和MIPNLMS对PNLMS在权系数的分配上引入了对数函数,在相同条件下,使其收敛速度得到提高,但随着脉冲响应变得密集,MPNLMS的收敛速度有所下降,而MIPNLMS保持了最快的收敛速度。     

最佳线性过滤器构成的一种自适应系统

本文介绍一种基于时域综合法的由最佳线性过滤器构成的自适应系统。文中首先介绍噪音为白色噪音时的可变传递函数和最佳自适应过滤器。由于在一般情况噪音并非是白色噪音,这时过滤器的构成就比较困难,文中给出了这种自适应最佳过滤器的组成。     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

一种基于优化的自适应遗传算法的粒子滤波算法

针对粒子滤波的粒子退化现象及多样性损失问题,提出了一种新的基于优化的自适应遗传算法的粒子滤波算法。该算法首先依据每个采样时刻生成的粒子集合重要性权值作为适应度值,自适应的确定交叉、遗传的概率;然后对选出的粒子进行遗传操作,重新度量其粒子的权值并进行状态估计。该方法不仅保留了粒子的多样性,而且相对于普通的基于自适应遗传算法的粒子滤波算法,降低了高权值粒子交叉和变异的可能,使粒子的采样更接近于状态后验概率密度分布。实验结果表明,该算法有效提高了滤波精度。     

一种用于图像边缘检测的自适应指数滤波器

本文提出一种用于图像边缘检测的自适应滤波器,利用它既可滤除图像噪声,又可获取精确度高的图像边缘。文中比较详细地分析了这种滤波器,并给出了递归实现算法。理论分析和实验结果表明,自适应指数滤波器的性能优于高斯滤波器。     

改进的Haar子带变换双滤波器自适应算法

为提高双滤波器结构（Dual filter structure, DFS）一级滤波器W₁（k）的收敛速度,本文提出一种改进的Haar子带变换（Partial Haar transform, PHT）算法。新算法先对W₁（k）的输入信号进行PHT变换以压缩滤波器长度;然后通过优化收敛步长使后验误差最小化以提高收敛速度;最后通过分时保存、维护算法的归一化因子以降低算法计算复杂度。通过提高W₁（k）的收敛速度,新算法可以更少的迭代次数获得稳定的延时估计,从而提高DFS的整体收敛速度。以回声消除为应用背景对新算法进行实验仿真,实验结果表明新算法性能显著优于其他传统的自适应算法。     

基于差分的细节保留自适应滤波算法

本文研究如何在滤波的同时实现细节的保留,提出一种基于差分的细节保留自适应滤波算法。该算法利用噪声点的灰度不一致性,通过差分来区分象素点,针对不同类别的象素点进行自适应处理。实验结果表明,该算法在去除脉冲和高斯噪声的同时,能很好地保留图像的细节。     

基于LMS算法的自适应滤波器在声学回声消除中的应用

阐述了自适应滤波器的基本原理,在介绍LMS自适应滤波算法的基础上,利用TMS320VC5402 DSK的软、硬件平台,进行LMS自适应滤波器的设计仿真,并对语音回声进行消除。实验表明,该算法在应用中具有良好的滤波性能,达到了较好的回波消除效果。     

一种基于自适应陷波器的科氏流量计频率解算新方法

为提高科氏流量计信号的初始收敛速度和频率跟踪精度,提出了一种频率解算的新方法:首先采用基于burg算法实现的格型IIR自适应陷波器对信号滤波,并短时间跟踪信号频率,其接近收敛时基于简化梯度算法实现的格型自适应陷波器开始并行工作,待简化梯度算法实现的格型自适应陷波器收敛后,前者停止工作,简化梯度算法实现的格型自适应陷波器持续工作直至结束。仿真及实验结果表明,本方法可以获得更快的收敛速度、更高的频率跟踪精度。     

自适应CRBF非线性滤波器及其改进学习算法

传统的随机梯度算法由于采用基于二阶统计量的平方误差代价函数,因此含有的信息量较少,难以实现更高的精度。针对此问题,以基于高阶统计量的指数平方误差作为代价函数,结合基于两层RBF网络凸组合的非线性自适应滤波器,提出了最小指数平方误差自适应学习算法。非线性系统辨识和非线性信道均衡的实验仿真结果表明,该改进算法的收敛性能明显优于传统的随机梯度算法。     

改进的自适应衰减卡尔曼滤波算法

SINS/GPS组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型和随机噪声信息必须准确已知。实际情况下,大部分系统的模型和随机噪声信息不完全可知,这可能会导致滤波器估计精度下降。针对这一问题,根据求解遗传因子的方法不同对传统的自适应衰减卡尔曼滤波进行改进,提出一种改进的自适应衰减卡尔曼滤波。改进后的算法分别适用于系统噪声统计模型不准确可知和量测噪声统计模型不准确可知两种情况,分别对应于两种滤波算法,并且二者具有统一的滤波框架。仿真结果表明,改进的自适应衰减卡尔曼滤波比卡尔曼滤波精度较高,有效解决了因为噪声模型不准确导致的精度下降问题。