时变参数的一种快速跟踪最小二乘估计方法

给出时变参数的一种快速跟踪最小二乘估计方法，该方法对测量数据同时引入指数加权因子和矩形窗，综合了渐消记忆法和限定记忆法的优点，利用抗病态的正交变换法求解估计值，以减小权固子和窗长度，提高了估计值的跟踪速度。     

基于TLS算法三相系统的谐波检测*

将TLS、LMS和约束反Hebbian自学习算法统一起来,指出LMS算法和约束反Hebbian自学习算法是两个特例。研究了TLS自适应学习方法在谐波检测中的应用,并将这种方法推广到三相系统中。所研究的检测方法同时适用于单相和三相对称非对称负载电流的谐波检测,可对谐波电流、无功电流以及负序电流进行分别或综合检测。仿真实验证明,在跟随性能和误差性能方面,单相TLS算法要优于单相LMS和约束反Hebbian算法,而三相TLS检测方法的性能要明显优于按单相的TLS检测方法。     

时变参数的一种快速跟踪最小二乘估计方法

给出时变参数的一种快速跟踪最小二乘估计方法．该方法对测量数据同时引入指数加权因子和矩形窗，综合了渐消记忆法和限定记忆法的优点．利用抗病态的正交变换法求解估计值，以减小权固子和窗长度，提高了估计值的跟踪速度．     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

基于Matlab和Labview的电力系统谐波检测

快速傅里叶变换（FFT）在电力系统谐波检测中被广泛应用。由于电网频率的波动,很难做到严格意义上的同步采样,导致频谱泄漏与栅栏效应现象发生,造成较大的测量误差。本文从传统的FFT检测方法出发,深入研究了加汉宁窗并进行插值运算的高精度算法。仿真时利用Labview所提供的Matlab节点将两款软件进行高效有机结合,以精确检测出各次谐波频率、幅值和相位,为进一步构建基于虚拟仪器的谐波检测系统打下基础。     

基于自适应线性神经元网络的谐波检测算法

为了克服基于傅里叶变换(FFT)谐波检测算法运算量大、实时性不强、易受噪声影响的缺点,提出了基于自适应线性神经元网络(ADALINE)的谐波检测算法,建立了基于最小二乘法(LMS)的最优解求解过程的数学模型,根据LMS误差与各次谐波傅里叶系数之间的三维流形的几何形状选择算法的步长因子。采用时域迭代的方法准确地提取基波有功、无功和各次谐波分量,为实现APF可选择性谐波补偿奠定了基础。     

基于STFT和神经网络相结合的时变谐波检测方法研究

电力系统中存在大量的时变谐波，传统的检测方法不能对其进行有效的分析。为此，提出了使用短时傅里叶变换（STFT）和神经网络相结合的算法对这类时变谐波进行检测，由于加窗变换所固有的混叠、泄漏等等，利用STFT只能获得谐波的粗略信息，但是可将获得的信息作为神经网络建立的初始参数；给出了STFT窗函数的确定方法；研究了神经网络参数的选择方法；建立了神经网络对谐波做进一步的检测。仿真试验证明了本算法的有效性。     

CARMA模型参数的两步估计法

本文对噪声未知的CARMA模型,用自适应线性增强器与自适应滤波器并联,作CARMA模型的噪声估计器,以最小二乘法估计参数,形成了一种适用于CARMA模型的两步估计法。     

SF与RLS算法结合的时变系统参数辨识

遗忘因子最小二乘算法(RLS)具有对时变系统参数在线估计的能力,而传统的遗忘策略对解决参数辨识矩阵过饱和问题具有一定局限性.为了拓展现有RLS算法在时变系统的适用范围,提出一种将选择遗忘机制(SF)与RLS算法结合的时变系统辨识算法.从而构造出一种基于参数矩阵特征值映射的有界函数,特征值映射函数能够根据系统数据传递过程...     

基于FFT算法的电网谐波检测方法

针对传统电网谐波检测方法误差较大、运算速度慢的问题,提出了基于FFT算法的电网谐波检测方法;介绍了DSP芯片的定点运算、基于FFT算法的电网谐波检测方法的具体实现,并进行了仿真分析。该方法在高速定点DSP芯片TMS320F2812上实现FFT算法,将数据归一化为Q15格式进行计算;为减小频谱泄漏对检测结果造成的影响,采用加窗插值FFT算法进行谐波分析。该方法实现了对电网电压各次谐波的检测,保证了检测速度和精度。     

基于RBF神经网络的可疑交易监测模型

针对国内外金融领域可疑交易的低检测率问题,通过对RBF（Radial Basis Function）神经网络技术的分析与研究,提出了一种基于APC-III聚类算法和RLS（Recursive Least Square）算法的面向反洗钱的RBF神经网络模型并加以实现。APC-III聚类算法用于确定RBF神经网络隐含层的中心向量,RLS算法用来调整隐含层与输出层之间的连接权值。RBF神经网络与支持向量机（SVM）和孤立点检测相比,有更高的检测率和较低的误检率,因此,提出的模型具有重要的理论和实用价值。     

一种基于听觉特性的自适应小波语音增强方法

提出一种基于人类听觉特性的自适应小波滤波算法。该方法用听觉感知小波变换对含噪语音信号进行小波分解,这样可以保证对信号频率和幅值的听觉特性,将经听觉感知小波变换所分离出来的噪声成分作为自适应滤波器的输入。通过采用递推最小二乘算法从而实现信噪分离的最佳滤波,以保证去除信号中的相关噪声。结果表明,该方法能实现非平稳信号在同频段对噪声成分和有用信号的最佳估计,提高了语音的清晰度和可懂度。     

TH-UWB系统中基于自适应算法的接收机研究

提出了一种适用于跳时超宽带(TH-UWB)系统中的RAKE接收机方案。该方法利用基于梯度的可变遗忘因子的改进递推最小二乘(RLS)算法进行信道估计,并与基于经典RLS算法和基于最大似然概率(ML)算法的接收机方案进行对比。结果表明,这种新型RAKE接收机方案能够更有效地跟踪时变衰落信道的变化;在相同条件下,该方案能够提高系统性能,获得更小的误码率(BER)。     

基于RBF神经网络与RLS算法的均衡器

将径向基函数神经网络与横向均衡器相结合,采用递推最小二乘算法更新权值。将最小二乘误差作为代价函数以及与误差相关的变步长,使输出误差较传统的神经网络均衡器进一步减小,收敛速度得到提高。仿真结果表明,该均衡器对线性信道和非线性信道都表现出较好的性能,在较严重的非线性情况下其优越性更明显。     

基于距离和DF-RLS的时间序列异常检测

为能同时检测时间序列中的附加异常和革新异常,改进自回归模型,提出距离因子递推最小二乘(DF-RLS)线性预测算法。在此基础上,给出一种基于距离和DF-RLS的联合异常检测方法——DDR-OD。实验结果表明,与当前其他时间序列异常检测方法相比,DDR-OD的检测效果较优。     

An efficient soft-computing technique for extraction of EEG signal from tainted EEG signal

Electroencephalography (EEG) is the recording of electrical activity of neurons within the brain and is used for the evaluation of brain disorders. But, EEG signals are contaminated with various artifacts which make interpretation of EEGs clinically difficult. In this research paper, we use a soft-computing technique called ANFIS (Adaptive Neuro-Fuzzy Inference System) for the removal of EOG artifact, combined EOG and EMG artifact. Improvement in the output signal to noise ratio and minimum mean square error are used as the performance measures. The outputs of the proposed technique are compared with the outputs of techniques such as neural network, based on ADALINE (Adaptive Linear Neuron) and adaptive filtering method, which makes use of RLS (Recursive Least Squares) algorithm through wavelet transform (RLS-Wavelet). The obtained results show that the proposed method could significantly detect and suppress the artifacts.     

确定RBF神经网络中心点的方法综述

本文着重介绍了目前常用的几种RBF神经网络中心点的确定方法，以便为实际应用中进行RBF网络设计提供一些理论参考。     

基于线性网络的一类带扰动线性对象的逆控制研究

将线性网络应用于一类带扰动的线性对象,提出了一种基于该线性网络的自适应逆控制方案,该方案由辨识器、控制器和扰动消除器三部分构成,合理选择三个线性网络的输入,通过辨识器的在线学习,同时更新控制器和扰动消除器的权值,文章研究了该方案的收敛性和方案的跟踪性。根据可变步长权值收敛条件,设计了输入解相关变步长LMS算法调整辨识器权值方法。通过仿真研究了逆控制方法的有效性。     

自适应加权全变分的低剂量CT统计迭代算法

针对低剂量计算机断层扫描（LDCT）重建图像时出现条形伪影和脉冲噪声的现象,提出一种自适应加权全变分的LDCT统计迭代重建算法。该算法克服了传统全变分（TV）算法在去除条形伪影的同时引入阶梯效应的缺点,把基于加权方差的加权因子与TV模型相结合提出自适应加权全变分模型,然后再把新模型应用到惩罚加权最小二乘（PWLS）重建算法中,这样就可以对图像的不同区域进行不同强度的去噪,从而取得噪声抑制和边缘保持的良好效果。采用Shepp-Logan模型和数字骨盆体模来验证算法的有效性,实验结果表明,所提算法的归一化均方距离和归一化平均绝对距离均比滤波反投影（FBP）、PWLS、惩罚加权最小二乘的中值先验（PWLS-MP）以及惩罚加权最小二乘的全变分（PWLS-TV）算法的值小,且可分别获得40.91 dB和42.25 dB的峰值信噪比。实验结果表明,该算法重建出的图像在有效去除条形伪影的同时对图像的边缘和细节起到很好的保护作用。     

基于最小二乘修正的随机Hough变换直线检测

利用Hough变换进行直线检测时,由于直线在参数空间中的映射容易受到邻近目标、噪声以及本身非理想状态的干扰,算法中的投票过程较易出现无效累积,进而导致虚检、漏检及端点定位不准等问题.针对传统方法的上述缺陷,提出了一种基于 ρ-θ 域最小二乘拟合修正的随机Hough变换的直线检测方法.首先, 在随机抽样时利用像素-长度比值对抽样的有效性进行判定,剔除不在直线上的抽样点对;然后, 对邻域相关点进行 ρ-θ 域的最小二乘拟合,得到修正后的直线参数用于累加投票,投票过程中设定累加阈值,通过检测峰值点逐次检出疑似长直线;最后, 通过设定断裂阈值对每条长直线进行筛选和分段,定位出直线段的端点.仿真实验表明,所提方法在投票时有效抑制了复杂环境对局部最大值的干扰,使直线检测的准确率得到显著提升.