基于神经元网络的自适应噪声抵消系统研究

在信号处理的研究中,自适应噪声抵消技术广泛地应用于通信、控制等领域,LMS是最常用的自适应算法,若信号通道结构比较复杂或存在非线性时,自适应滤波器的长度会增加,造成稳态失调、收敛速度降低,影响系统的性能.由于神经网络经过训练后可以很好地逼近非线性函数,因此对于平稳信号输入,采用BP神经网络构成自适应滤波器可以提高系统的抵消性能.根据神经元网络的自适应噪声抵消系统原理,通过仿真实验研究了在不同输入信噪比、不同通道函数、不同输入信号条件下系统的噪声抵消性能.实验表明BP方法噪声抵消效果显著,信噪比增益高.     

基于神经元网络的自适应噪声抵消系统研究与实现

自适应噪声抵消技术是自适应滤波器最普遍的应用之一,它是一种在未知信号和噪声的先验知识条件下,能够很好地消除背景噪声影响的信号处理技术,具有很高的应用价值;但是,在很多情况下,噪声环境非常复杂,往往是非线性的,而目前所使用的自适应滤波器均属线性滤波器,滤波后会使原始信号产生失真;由于神经网络具有非线性等优点,可以很好的逼近非线性函数,所以提出了基于神经网络的自适应噪声抵消器;仿真结果表明,该方法可以效地实现噪声的抵消;最后提出应用DSP实现语音信号自适应噪声抵消的具体方案。     

基于自适应神经网络滤波的噪声消除

设计的自适应神经网络噪声抵消系统不需要关于输入信号的先验知识,非线性映射能力强,具有自学习能力、计算量小、实时性好。利用该系统对含噪声的非线性信号建模,达到消除噪声的目的。通过LMS算法,对不同信噪比(SNR)的含噪信号进行滤波。仿真结果表明,该滤波器能有效地抑制噪声。     

自适应滤波器在电参数测量系统中的应用

论述了基于LMS算法的自适应噪声抵消器和自适应谱线增强器的工作原理及改进的算法,并将自适应噪声抵消器和自适应谱线增强器合并为一个滤波器应用于电参数测量系统中,仿真实验证明这种滤波器去除噪声的性能较佳.     

基于非线性自适应IIR滤波器的混沌时间序列辨识方法

提出了一种混沌时间序列的非线性自适应IIR滤波辨识算法,该算法采用非线性IIR滤波器来自适应跟踪非线性混沌动力系统的动态特性进行辨识,实验结果表明,该算法具有较高的辨识能力和抗噪声性能。     

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。     

基于量子神经网络的无线电引信干扰对消

为了提高无线电引信的抗干扰性,采用量子神经网络构建非线性滤波器,自适应抵消回波信号中包含的干扰噪声。通过自适应干扰对消系统仿真,实现了对目标反射信号的最优恢复,获得了理想的降噪效果。     

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。     

基于自适应堆滤波的边界检测

从被噪声干扰的图象中提取边界是图象测试与分析的关键之一。通常需要先滤除图象中的噪声，再用边界检测算子求出边界。本文介绍了一种边界直接检测法，即将边界检测与噪声滤波相结合，它是基于自适应堆滤波的边界检测法。首先非线性堆滤波器用于求出图象某象素点邻域内的灰度最大值与最小值的最优估计，然后以此两估计值之差代替原象素点灰度值。最后对之二值化求出边界。本文根据最小平均绝对误差准则，采用自适应方法求解堆滤波器。这种方法类似于线性自适应滤波器的ＬＭＳ方法，先任设一初始堆滤波器，利用期望图象与合噪声图象对堆滤波器进行迭代训练，最后求出最优化的自适应堆滤波器。文章最后给出了采用自适应堆滤波法求取图象边界的试验结果，表明这种方法可以有效地抑制各种分布的噪声干扰。     

加权Myriad滤波器的研究

为了克服在图像处理领域常用的线性滤波器的不足,非线性滤波器就成了非常有意义的一个研究方向。Myriad算法是基于稳定模型的一种非线性滤波算法,它能够充分利用稳定分布的多种模式来进行非线性信号加权处理。Myriad滤波作为一种图像滤波算法,和常用的中值滤波相比,其优势在于不仅能够有效地滤除盐椒噪声,还能够使细节部分保持得更好。本文提出了中心加权Myriad滤波器和自适应加权Myriad滤波器,通过对参数K的调节,平衡在窗口中去除噪声和保持图像细节之间的矛盾,而所加权重也能够根据图像自适应变化。     

基于最小均方算法的自适应有限长滤波器设计仿真

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。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

模型参考模糊自适应控制*

本文提出了一种模糊自适应机构的设计方法，所设计的自适应机构为偏差的非线性函数。用模糊自适应机构替代常规自适应机构，构成一个模型参考模糊自适应系统。导出了该系统稳定的充要条件，提出了一量化因子的选择方法，设计方法简单，便于工程应用。仿真结果表明：ＭＲＦＡＳ系统自适应性能好，抗内外扰动的能力强。     

基于数据间内在关联性的自适应模糊聚类模型

提出了一种新的模糊聚类模型(Fuzzy C-means clustering model, FCM), 称为自适应模糊聚类(Adaptive FCM, AFCM). 和现有的大多数模糊聚类方法不同的是, AFCM考虑了数据集中全体数据的内在关联性, 模型中引入了自适应度向量W和自适应指数p. 其中, W在迭代过程中是自适应的, p是一个给定参数. W和p共同作用调控聚类过程. AFCM同时输出三组参数: 模糊隶属度集U, 自适应度向量W, 以及聚类原型集V. 本文给出了两组数据实验验证AFCM的性能. 第1组实验验证AFCM的聚类性能, 以FCM为比较对象. 实验表明 AFCM可以得到更好的聚类质量, 而且通过合理选择自适应指数p, AFCM和FCM在时间复杂性上保持同一水平. 第2组实验检验了AFCM的离群点挖掘性能, 以目前常用的基于密度的LOF为比较对象. 实验表明AFCM算法具有极大的计算效率优势, 且AFCM得到的离群点是全局的, 反映的是离群点和整个数据集的关系, 离群点涵盖的信息也更丰富. 文章指出, AFCM在挖掘大数据集和实时数据中的离群点应用方面, 以及获得高质量的聚类结果的应用方面, 特别在聚类的同时需要挖掘离群点的应用方面具有独特的优势.     

自适应鲁棒控制算法

本文根据内模原理提出了三种新的自适应鲁棒控制器,克服了 Song 等人提出的鲁棒控制器的缺点.本文提出的算法适用于跟踪任何参考信号,当系统的阶次发生变化时均能跟踪与调节,具有较强的鲁棒性。     

复杂自适应系统的描述及其分布仿真框架

复杂自适应系统是当前一个研究热点，建立一个通用的分布仿真平台对于领域专家来说具有重要的辅助，首先对复杂自适应系统进行了深入的论述，并且对它的结构特征进行了形式化的定义，建立了复杂自适应系统的对象元、自适应Agent元，消息、继承和聚集等概念，在此基础上，提出了一个支持分布并行环境和组件式仿真框架，特别对其中的公共服务Agent和自适应Agent进行了详细的叙述，并且在此框架的指导下实现了分布仿真平台，和其它复杂自适应系统仿真平台结构相比具有一定的优势。     

Optimum design of linear multivariate sampled-data control systems†

This paper deals with the optimum design of linear multivariate sampled-data control systems,

Section 2 is concerned with the design of such control systems which are optimum on the basis of deadbeat performance. This design procedure is general and can be applied similarly to any deterministic inputs such as step, ramp, etc.

Section 3 is concerned with such control systems with respect to an integral form performance criterion. It is desired that the performance index takes the form of an integral, especially when the state variables of a control system are continuous with respect to time. For this reason, the minimum integral control is considered here.

The performance limits for such systems optimized for a deterministic input are considered in §4, and some interesting theorems are proved by using the w-transform.     

Direct adaptive control using an adaptive reference model

Direct model reference adaptive control is considered when the plant-model matching conditions are violated due to large changes in the plant or incorrect knowledge of the plant's mathematical structure. Because of the mismatch, the plant can no longer track the original reference model, but may be able to track a modified reference model that still provides satisfactory performance. The proposed approach uses a time-varying ‘adaptive’ reference model that reflects the achievable performance of the changed plant. The approach consists of direct adaptation of state feedback gains for state tracking and simultaneous estimation of the plant-model mismatch. The reference model adapts to the changed plant, and is redesigned if the estimated plant-model mismatch exceeds a bound determined via robust stability and/or performance criteria. The resulting controller offers asymptotic state tracking in the presence of plant-model mismatch as well as matched parameter deviations.     

基于分层匹配的自适应跟踪算法

提出了1种基于相关的区域分层匹配和模板自适应更新的目标跟踪方法,该方法能在序列图像中自适应地寻找最佳的动态阈值与更新模板,同时区域分层快速搜索能较大地提高匹配速度。算法在MATLAB软件环境下进行了仿真实验。实验结果表明该方法匹配精度高、匹配速度快,在背景亮度、对比度发生变化以及存在水面杂波干扰的情况下,表现出良好的稳定性,具有较强的实用价值。     

模型参考自适应IIR递归滤波器辨识新算法

针对自适应IIR滤波器算法容易陷入局部极小点的缺陷,提出了一种新的自适应递归滤波辨识算法.该算法采用模型参考自适应系统设计了辨识参数自适应律,基于Lyapunov理论保证了自适应递归算法的稳定性,而且辨识参数收敛.仿真结果表明了该算法的可行性和滤波器结构的正确性.