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.     

系统参数估计的递推最小范数解及其用于递推最小二乘算法的启动

用直接法导出了线性系统参数的递推最小范数(RMN)估计算法,并证明其结果与递推最小二乘(RLS)算法在参数估计初值取为零、且方差阵初值取为无穷大单位阵的极限情况下的启动阶段中所得结果相同,数字仿真表明,RMN算法用于RLS算法的启动阶段,一般地可使参数估计的初始收敛速度达到最快,此法也可用于控制理论中递推求解线性方程组。     

直流电机模型时变参数的在线辨识方法分析

为解决直流电动机实际运行中模型参数因受到运行环境、工况等条件的影响而导致其建模不精确的问题,研究和比较了递推最小二乘法、指数遗忘的递推最小二乘法、矩阵规范化的递推最小二乘法、投影算法、正则化的最小二乘法5种实时参数估计方法。引入平方误差积分准则、时间平方误差积分准则、绝对误差积分准则和时间绝对误差积分准则,对实时参数估计的精度和效果进行评判。计算机仿真结果表明,对于时变的直流电动机模型参数,RLSEF算法具有在误差积分准则意义下的最优辨识精度。     

基于进化KPLS方法的装备修理价格测算研究

考虑到核方法的特性、应用优势,以及装备修理价格中的非线性特征,提出采用核偏最小二乘(kernel partial least squares,KPLS)对装备修理价格进行测算;考虑到模型参数的选择问题,采用粒子群优化(particle swarm optimization,PSO)算法对模型进行优化;采用MSE和MAPE评价优化模型的预测效果.比较计算结果表明,与目前常用的几种方法相比,测算精度得到进一步提高,这表明所提出的方法能够在相关领域进行推广使用.     

输出误差系统的多新息辨识方法

研究了输出误差(OE)系统和输出误差自回归滑动平均(OEARMA)系统(即Box-Jenkins系统)的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息最小二乘算法,输出误差系统的修正辅助模型随机梯度算法、遗忘因子辅助模型随机梯度算法、变递推间隔辅助模型随机梯度算法、变递推间隔辅助模型多新息随机梯度算法、变递推间隔辅助模型递推最小二乘算法等,以及输出误差自回归(OEAR)系统的基于滤波的辅助模型多新息广义随机梯度算法和基于滤波的辅助模型多新息广义最小二乘算法.     

基于RLS的汽轮机数字电液调节系统参数辨识

采用递推最小二乘法（RLS）进行汽轮机数字电液调节系统的参数辨识,通过双线性变换法将连续模型转化为离散模型,推导了电液转换器和油动机环节的辨识模型.为剔除辨识数据中环节通带外信号的不利影响,采用Butterworth低通滤波器进行滤波处理,根据环节对象的预计通带,设计低通滤波器的通带截止频率和阻带截止频率,有效提高了参数的辨识精度.以某300 MW机组数字电液 (DEH) 调节系统为研究对象,应用传递函数法建立DEH模型结构图,经该机组负荷扰动实测试验数据的计算验证表明,递推最小二乘法具有辨识速度快、建模效率高特点,适合于复杂的现场对象参数辨识.     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

多变量系统的结构辨识和参数估计

将单输入－单输出（SISO）系统的递推辩识算法推广到多变量的情形,这种最小二乘类型的算法结构简洁且可同时给出具有良好数值性质的模型结构和参数辩识。证明了多变量输入－输出差分方程模型与其对应的标准状态空间模型可以经变换而由一种模型得到另一种模型。该算法与对应的最小二乘递推算法比较更易于理解和实现。     

一种用于实际OFDM系统的RLS自适应信道估计算法

对OFDM信道估计中的信道冲激响应(CIR)泄漏问题进行了分析,提出了一种新的时域一维递归最小二乘(RLS)自适应信道估计算法。RLS滤波器的输入和参考信号被一个独立于信道统计特性的矩阵加权,降低了CIR泄漏的影响。该算法保持了一维RLS算法低复杂度的特点,运算量远小于二维RLS算法。仿真结果证明,在非整数采样多径衰落信道下该算法极大提高了一维RLS信道估计的MSE性能,使其逼近于二维RLS算法。     

基于径向基函数神经网络的预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.     

AR模型参数自适应估计方法研究及应用

为了提高AR模型参数估计的精度和收敛速度,提出基于卡尔曼(Kalm an)滤波原理的AR模型参数估计方法.把AR模型参数向量作为状态向量,利用随机游动模型建立系统的状态方程,由观测数据建立系统的观测方程,应用卡尔曼(Kalm an)滤波原理求得参数向量的最小方差估计.将该方法应用于船舶运动实时建模预报中.仿真研究表明本文提出的基于Kalm an滤波算法的AR模型在预报精度以及收敛速度方面均优于基于递推最小二乘法(RLS)和最小均方(LMS)算法,该算法具有较强的鲁棒性,降低了实时在线预报时通信故障所引起的数据缺失对预报精度的影响.该方法在理论和工程应用方面具有重要的意义.     

MIMO系统自适应均衡算法研究

MIMO信道为频率选择性信道,由于时延扩展而存在色散,因此研究MIMO系统的自适应均衡技术显得尤为重要.通过对自适应均衡技术的两种主要的算法最小均方(LMS)算法和递归最小二乘(RLS)算法的研究可以看出,在不同的步长因子及遗忘因子等参数变化情况下,LMS算法的收敛速度较慢,但均衡简单易实现,RLS算法收敛速度较快,但迭代运算较复杂.结合二者的特点提出了在MIMO系统中引入改进的最小均方算法,即归一化最小均方(NLMS)算法.仿真实验对比表明NLMS算法的计算量与LMS相当,但收敛条件简单,易实现,收敛速度较快,有很实际的应用价值.     

LMS与RLS自适应滤波算法对比研究

自适应滤波算法根据采用优化准则的不同,通常分为两类最基本算法：最小均方误差（LMS）类算法和递归最小二乘（RLS）类算法。本文重点介绍了最小均方误差算法和递归最小二乘算法,并将这两类算法在MATLAB上进行仿真,并对结果作出比较和分析。     

一种计算复杂度低收敛速度快的递推Capon谱估计算法

基于递推最小二乘方法实现对观测信号自相关矩阵的逆R-1L的估计,研究了一种计算复杂度低和收敛速度快的Capon谱估计算法。该算法避免了用Cholesky分解、奇异值分解、QR分解或目前文献中见到的其他方法所带来的Capon谱估计算法计算复杂的缺点。同时,在信号自相关矩阵条件数不好时,该算法仍然可以进行信号的谱估计。仿真结果表明,尽管该方法的谱估计分辨率不如修正协方差谱估计法,但是两者相差不多,该方法非常有利于谱估计算法的实时实现和实际应用,并且还可以实现Capon幅值估计。     

时滞系统的模糊神经网络补偿控制

针对传统的模糊神经网络(FNN)在线控制方法用于控制时滞对象时存在调节时间较长的问题,分析产生这一现象的原因,对传统的模糊神经网络在线控制进行改进,给出一种新的确定补偿量的方法.基于递推最小二乘(RLS)法在线辨识对象模型,通过时滞对象模型预测对象输出的变化,利用补偿方法得到控制量的补偿量.设计二维输入的带补偿的模糊神经网络控制器,进行实验与仿真研究.仿真结果表明,该补偿方法调节时间短,控制精度高,比传统的模糊神经网络的控制效果明显.     

基于多项式变换的自适应Chirp信号参数估计

提出了一种新的基于多项式变换的RLS(recursiveleastsquare)算法。利用多项式变换将多项式相位信号(PPS)转变为具有线性相位的谐波信号,这一谐波信号满足AR(Autoregressive)模型且其频率对应于多项式相位的最高次项系数。然后利用RLS算法对AR模型的AR系数进行自适应估计,通过AR系数求解谐波信号频率,便可以获得多项式相位中最高次项的系数。本算法速度快,计算量小,并且在较低的信噪比(SNR)下估计性能依然良好。Monte Carlo仿真实验证明了本方法的有效性。     

城市日用水量预测的实用动态模型

根据城市用水量的影响因素及特点,利用统计预测理论,建立了日用水量的实用动态模型,通过逐步回归分析方法剔除次要影响因素,并采用递推最小二乘（ＲＬＳ）方法动态预测回归残差项。经沈阳市实例验证,该法预测误差小,可满足供水系统调度的实际需要。     

基于输出误差预测的模糊预测PID控制及应用

针对实际工业过程中普遍存在的非线性特性,采用T-S模糊模型来描述复杂的非线性系统.利用模糊聚类算法在线竞争学习模糊规则的输入区域中心,并按预先规定的规则之间的重叠度在线确定每条规则的输入区域半径,而模糊规则结论中的参数则由递推最小二乘(RLS)算法得到,得到的模糊局部线性化模型作为每个时刻的受控自回归积分滑动平均(CARIMA)模型.结合广义预测控制(GPC)的思想和有限脉冲响应滤波器,提出了一类新型的模糊预测PID控制器的实现方法,解决了一般预测PID控制器设计当中对系统模型阶次的限制问题.仿真算例说明了该方法的有效性和实用性.