改进变步长自适应分布式滤波算法

为提高传统LMS算法在分布式传感器网络自适应滤波中的收敛速度并保持较小的稳态误差,在扩散LMS算法基础上,提出一种基于Sigmoid函数改进变步长的分布式扩散LMS自适应滤波算法,算法通过Sigmoid函数变换构建步长因子与迭代误差之间非线性模型,并通过设置控制因子合理调整模型的步长曲线波型,使得算法在初期使用较大的步长以加快收敛速度,而在后期则采用平稳变化步长以保持较低的稳态误差,从而在在不失传统算法稳态精度的情况下,实现较快的收敛速度。实验结果表明:相比于已有算法,所提算法的估计性能更优。     

一种新的变步长LMS自适应滤波算法性能分析

在简单介绍了基本的LMS,NLMS自适应滤波算法的基础上,介绍了一种新的可变步长LMS自适应滤波算法,并将该算法应用于自适应噪声对消系统的仿真中.通过计算机仿真,给出了LMS、NLMS和新的可变步长LMS自适应滤波三种算法的性能对比,结果表明该算法具有较快的收敛速度和较小的稳态误差.     

基于多尺度小波变换的变步长LMS滤波算法

对LMS自适应算法、基于抽样函数的变步长LMS算法和基于多尺度小波变换的自适应滤波算法进行了研究,在此基础上把变步长LMS算法与多尺度小波变换相结合,产生了新算法.该算法一方面可以克服固定步长LMS算法在收敛速度与收敛精度方面与步长因子的矛盾;另一方面,小波变换的引入减少了输入向量自相关矩阵的条件数,提高了收敛速度、跟踪性能和稳定性.最后对算法的性能进行了计算机仿真比较,仿真结果表明:基于多尺度小波变换的变步长LMS滤波算法具有较快的收敛速度和更强的抑噪能力.     

一种新的变步长LMS自适应滤波算法研究及其应用

变步长LMS自适应滤波算法克服了传统自适应滤波算法的不足,通过构造合适的变步长因子,在提高收敛速度的同时保证了较小的稳态误差,在实际中得到了广泛应用。为进一步改善算法性能,首先对传统的和现有改进的变步长LMS算法机理进行了深入分析,在此基础上,提出了一种新的变步长LMS自适应滤波算法。该算法通过建立一个新的步长因子与误差的非线性函数模型,使得算法在不失精度的情况下,具有较快的收敛速度。论文对新算法的机理进行了较为详尽的阐述,对算法中关键参数的选取对滤波性能的影响进行了深入分析,并给出了算法中关键参数的自适应确定方法。仿真实验表明,相对于其他自适应滤波算法,该算法在收敛速度方面有了很大的提高。将新算法应用于对实际龙口水位监测数据的滤波中,取得了良好效果。     

基于分式函数的新变步长LMS算法

为了解决传统LMS算法在稳态误差和收敛速度之间的矛盾,提出了一种基于分式函数的新型变步长LMS算法(简称VXLMS算法)。因为新型变步长函数不包含指数运算,所以降低了运算量,加快了算法的收敛速度,同时也提高了数据跳变时的跟踪性能。在VXLMS算法收敛的条件下,通过理论推导确定了该变步长函数的参数取值范围,然后通过取不同参数值分析对算法性能的影响,选出最优参数值进行仿真分析。仿真结果表明:相同仿真条件下提出的VXLMS算法相对于VSSLMS算法和SVSLMS算法稳态误差更低、收敛速度更快,即说明提出的小计算量新变步长函数,通过调整步长因子使权向量快速达到最优,进而使VXLMS算法具有更好的收敛性、稳定性以及鲁棒性。     

基于梯度变步长LMS的电子天平抗震设计

以应变式电子天平为研究对象,在分析电子天平震动信号的频谱特性及其对天平计量性能影响的基础上,提出一种基于梯度变步长最小均方(LMS)自适应滤波器的电子天平抗震动设计方法。依据天平称量数据的震动影响来源和特点,通过与切比雪夫低通滤波、椭圆低通滤波、巴特沃斯低通滤波及滑动平均滤波等常用抗震动滤波方法进行仿真实验对比,证明梯度变步长LMS自适应滤波算法的有效性与优越性,该方法在实际天平中得到应用。实验表明,采用本方法研制的200 g/0.001 g应变片电子天平可以在普通木质实验台上准确称重,最大称重误差≤0.001 5%,且不受榔头敲击实验台等冲击性震动的影响。     

一种改进变步长LMS算法及其在系统辨识中的应用

在分析传统LMS算法及变步长LMS的基础上，本文提出了一种改进的变步长LMS算法并应用于系统辨识。新算法利用瞬时误差的四次方和遗忘因子共同来调整步长，进一步解决了收敛时间和稳态误差的矛盾。将新算法应用到系统辨识中时，与传统LMS算法和变步长LMS算法相比，仿真表明新算法有更快的收敛速率。     

一种改进的变步长LMS算法及其DSP实现

固定步长LMS(least mean square)算法自适应滤波器在收敛速度、时变跟踪能力与稳态误差上对步长因子的要求存在矛盾.变步长LMS算法的步长因子是变化的,能够有效地避免此矛盾.在分析了2种变步长LMS算法的基础上,提出了全新的变步长算法,并在MATLAB环境中进行仿真,之后应用SZ-EPP5402评估板对其进行了DSP实现.仿真结果与DSP实现都表明:变步长LMS算法在一定程度上改善了收敛速度与稳态误差间矛盾,具有更快收敛速度与更小稳态误差.     

自适应变步长算法(ABPM)在复杂曲面零件数控加工中的应用

分析传统的固定步长插补算法在复杂曲面零件加工中的缺点,提出自适应变步跃算法,该方法按照曲线的曲率变化而采用相应的步长,算法简单,插补误差小,达到快速、高效的加工效果。     

一种新的LMS算法及其在明渠流量计中的应用

针对变步长LMS(least mean square)自适应滤波算法存在收敛速度慢和稳态误差比较大的问题,根据变步长滤波算法步长调整原理,提出了一种新的基于多项式的非线性变步长LMS算法,通过MATLAB仿真分析研究新算法中各参数对收敛速度和稳态误差的影响,并和已有的变步长LMS算法进行对比,结果表明该算法比已有的算法...     

Novel LMS adaptive filtering algorithm with variable step size

万方数据知识服务平台-中外学术论文、中外标准、中外专利、科技成果、政策法规等科技文献的在线服务平台。     

线性预测模型BP神经网络PID控制算法的研究

针对经典PID控制参数整定困难和基本BP算法收敛速度慢、易陷入局部极小的缺点,提出一种基于线性预测模型BP神经网络的PID控制方法,重点阐述算法过程。最后在MATLAB软件上进行仿真,仿真结果表明该控制算法是有效的。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

柔性超声传感结构健康监测技术现状与展望

滤波x最小均方差（filtered-x least mean square,简称Fx-LMS）算法作为振动控制领域常用的自适应控制算法,其固定步长因子不能同时满足收敛速度和稳态误差的双重要求。为了改善Fx-LMS算法实施效果,提出一种基于反余切函数的滤波x变步长最小均方差（filtered x variable step size least mean square,简称Fx-VSSLMS）算法。首先,归纳了7种常规VSSLMS算法的步长更新公式,并按照其迭代特点予以性能分析与分类对比;其次,以压电柔性悬臂梁振动主动控制为算法验证目标,采用多体动力学软件Adams和Simulink进行联合仿真,表明所提的Fx-VSSLMS算法在振动控制中的有效性;最后,通过分析对比多种Fx-VSSLMS算法在不同噪声环境下的抑振效果,验证了所提出控制算法对噪声干扰的良好鲁棒性。     

气动加载系统的模糊自适应逆控制方法

气动加载系统具有时滞、时变及强非线性等特点,为了提高气动加载系统的控制精度,克服传统PI控制算法的不足,提出一种气动压力加载系统的模糊自适应逆控制方案。利用模糊辨识理论对气动加载系统进行离线逆建模,得到初始逆模型,并将该初始逆模型作为初始控制器,控制气动加载系统的输出压力,运行过程中采用最小方均根(Least mean square,LMS)滤波算法在线修正控制器的参数。基于VC++6.0软件开发平台设计系统实时控制程序,在一套电气比例压力阀控气动加载系统上进行试验研究。通过与PI控制算法、模糊比例积分微分(Proportion,integration,differentiation,PID)控制算法进行比较,结果表明设计的气动加载系统控制器控制精度高、响应速度快、抗扰能力强。     

BP神经网络在减速器回差数据拟合中的应用

分析了BP神经网络算法在减速器回差数据拟合中的运用实例，给出了数据拟合的求解过程，并且指出了其精确度比最小二乘法优越的表现。     

汽车车道保持系统的BP神经网络控制

针对汽车侧向动力学的强非线性且参数时变特性，利用神经网络对任意非线性函数的逼近能力，并结合驾驶员操纵行为特性，建立了基于BP神经网络的汽车车道保持系统的自适应PID控制算法。不同车速和路况的仿真结果表明，该控制算法可有效地控制汽车按照预期轨迹行驶，且对车速和道路曲率的变化具有较强的适应性和鲁棒性。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。