基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法,并对最小均方(LMS,LeastMeanSquares)、归一化LMS(NLMS,NormalizedLeastMeanSquares)和递推最小二乘(RLS,RecursiveLeastSquares)三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,RLS算法具有良好的收敛性能,除收敛速度快于LMS算法和NLMS算法以及稳定性强外,而且具有更高的起始收敛速率;更小的权噪声,更大的抑噪能力。     

一种复合型自适应Turbo均衡算法

针对短波信道以及短波瞬间通信以帧为单位进行传输的特点,提出了一种新的复合型自适应Turbo均衡算法(CATEA)。该算法结合最小均方(LMS)算法和递归最小平方(RLS)均衡算法的优点,分别在训练和直接判决阶段调整均衡器参数,因而克服了LMS算法收敛慢以及RLS算法计算量大的缺点。通过将该均衡算法与Viterbi译码算法进行迭代均衡和译码,极大地提高了均衡器性能,同时保持了较低的复杂性。仿真和实验测试证明了该算法的有效性。     

基于自适应混合能量参数的变步长LMS水声信道均衡算法

提出了一种新的变步长算法,并将该算法用于水声信道均衡。该算法克服改进归一化最小均方(developed normanized least mean square, XENLMS)算法依赖固定能量参数λ的局限性,遵循变步长算法的步长调整原则在XENLMS算法的基础上引入一个自适应混合能量参数λk,改善算法收敛速度和鲁棒性。首先通过仿真分析变步长算法中的3个固定参数α,β,μ的取值范围及对算法收敛性能的影响;并在两种典型的水声信道环境下,采用两种调制信号对算法的收敛性能进行计算机仿真,结果显示,新算法的收敛速度明显快于XENLMS算法和已有的变步长算法,收敛性能接近递归最小二乘(recursive least square, RLS) 算法的最优性能,但计算复杂度远小于RLS算法。最后,木兰湖试验验证了带判决反馈均衡器(decision feedback equalization, DFE)结构的新算法具有较好的克服多径效应和多普勒频移补偿的能力,相比LMS-DFE提高了一个数量级。     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

基于RLS-BP算法的复信道盲均衡技术

基于RLS-BP(Recursion Least Square-Back Propagation,简称RLS-BP)算法提出了一种新的应用于复信道的神经网络盲均衡算法.算法实现了对一个输入、输出和权值都为复数的网络的训练.网络的误差传递采用后向传播(Back Propagation,简称BP)结构,用RLS算法实现网络的训练,这样不仅加快了网络的收敛速度,而且使得均方误差也进一步减小.为了适应复信道,新算法采用常数模(Constant Modulus algorithm,称CMA)算法的代价函数实现算法对复信道的盲均衡.最后对线性复信道和非线性复信道的均衡进行了仿真,结果表明新算法有较快的收敛速度,且稳态均方误差较CMA算法和传统的神经网络盲均衡算法有大幅度的降低.     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先，将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用BiLSTM模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优，提升预测能力。实验结果表明，所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

用于基因预测的自适应滤波器的仿真研究

根据蛋白质编码区周期3行为,设计了两种用于基因外显子预测的窄带自适应滤波器,对基因序列进行滤波处理,获得了外显子的预测曲线;在此基础上,分析了最小均方误差（LMS）算法和递推最小二乘（RLS）算法用于基因预测的异同,通过比较滤波器参数和仿真曲线,表明递推最小二乘算法用于基因外显子预测优于最小均方误差算法。     

基于二阶锥规划的自适应均衡算法

提出一种改进的均衡器算法。该方法基于最小均方误差（minimum mean square error, MMSE）准则,使均衡器的输出与训练码的均方误差最小,并且将信道均衡的最小均方误差目标函数转化为二阶锥形式,利用内点法求最优解。与传统基于最小均方误差（least mean squares, LMS）和递归最小二乘（recursive least squares, RLS）自适应算法的均衡器相比,由于不需要迭代收敛过程,不存在收敛速度与精度的矛盾,克服了基于LMS和RLS的自适应均衡器参数设置的困难,而且利用更短的训练序列长度即可获得相同的均衡效果,对于改善通信效率具有参考价值。     

快速收敛仿射投影算法在稀疏水声信道的应用

本文提出了一种新的快速收敛比例仿射投影算法,并将算法应用于稀疏多径水声信道均衡.该算法首先在改进比例仿射投影算法(improved proportional affine projection algorithm,IPAPA)的基础上引入变步长算法,提高算法的收敛速度;并在此新算法的基础上通过引入判决反馈结构,进一步改...     

水声信道快速收敛自适应均衡算法

从提高自适应均衡算法水声信号收敛性能的角度出发,提出了一种新的快速收敛水声信道自适应均衡算法。该算法将改进的归一化均方误差算法和判决反馈均衡器结构有机结合,在不增加计算量的前提下,很好地实现了不同水声信道的自适应均衡,易于算法的硬件实现。仿真结果表明,该算法计算量同归一化最小均方(normalized least mean square, NLMS)误差算法的计算量相当,但在稳态误差和收敛速度上有很大优势;收敛性能与自适应调整最小二乘回归〖CD*2〗判决反馈均衡器(variable tap-length decision feed-back equalizer based on recursive least square, RLS-DFE)算法接近,却克服了RLS-DFE算法计算量大,不利于硬件实现的实际问题。提出的算法为水声通信提供了一种性能优良的可实现方法,具有较高的应用价值。     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于正交小波变换的奇对称误差函数盲均衡算法

针对常数模（Constant Modulus Algorithm,CMA）收敛速度慢、均方误差大的缺点,在分析基于正交小波变换的盲均衡器结构及奇对称误差函数的特性基础上,提出了一种基于正交小波变换的奇对称误差函数盲均衡算法（WT-OSE,orthogonal Wavelet Transform based Odd Symmetry Error function blind equalization algorithm）,该算法通过归一化正交小波变换来加速收敛速度,用误差函数的奇对称性以减小均方误差,利用变步长来进一步加快收敛速度。水声信道的仿真结果表明,该算法具有较快的收敛速度和较小的均方误差。

Abstract：

Aiming at the slow convergence rate and big mean square error of Constant Modulus Algorithm（CMA）,orthogonal wavelet transform based odd symmetry error function blind equalization algorithm blind equalization algorithm was proposed,on the basis of orthogonal wavelet transform based blind equalizer structure and characteristics of odd symmetry error function,the convergence rate of the proposed algorithm could be improved by normalized orthogonal wavelet transform and its mean square error could be reduced by odd symmetry of error function and the convergence rate was further improved via using the performance of variable step size.Simulation tests with underwater acoustic channel indicate that the proposed algorithm has not only faster convergence rate but also less mean square error.     

适用于高阶QAM信号的双模式盲均衡算法及仿真

提出了一种适用于QAM信号的双模式盲均衡算法，该算法以常规的CMA算法为初始模式，第二模式中分别对QAM信号的同相分量和正交分量进行均衡。通过判决条件对均衡器输出信号进行判决，使得该算法的迭代过程在两种模式之间自动切换，其收敛速度优于常数模算法CMA和基于判决圆环的双模式算法。通过水声多途信道的仿真实验，验证了该算法良好的收敛性能。     

一种优化的自适应总体最小二乘系统辨识算法

对于监督信号和训练信号都含有噪声的系统辨识问题,如果采用经典的最小均方和迭代最小二乘算法进行估计,会带来较大的误差,而直接求解又会有较大的计算量,不利于在线计算.将权向量的求解转化为增广输入向量自相关矩阵瑞利商的受限最佳化问题,对增广输入向量进行遮代估计,同时建立了步长因子和误差信号问的函数关系,这个函数关系是建立在代价函数相对于步长梯度的基础上,而不是基于经验公式.所提算法结构简单,具有更好的稳健性,仿真表明这种算法相对于同类总体最小二乘算法和其他自适应算法有更快的收敛速度和更高的收敛精度.     

A FAST PROCEDURE OF VARIABLE SELECTION IN LINEAR REGRESSION MODEL

In many situations,we are interested in selection of important variables whichare adequate for prediction under a linear regression model.In this paper,a fast selectionprocedure is proposed and is proved to be strongly consistent.Also,the convergence rate ofmisjudgement probability is given.