基于变步长分块滤波器的Volterra级数简化辨识方法

针对Volterra级数辨识中的维数灾难问题，提出了一种基于变步长分块最小均方滤波器的Volterra级数简化辨识方法．该方法利用影响指数的概念，在保证一定辨识精度的前提下，对每个Volterra核根据其对辨识的贡献大小进行筛选，再用筛选出的有效核作为对原系统的近似，从而达到降低辨识中核向量维数的目的．同时，该方法将块滤波器的块平均绝对误差与滤波器的步长因子相关联，使得块滤波器的步长因子随着数据块的平均绝对误差而动态调整，改善了辨识的收敛性能．将该方法应用于某型直升机电动舵机的Volterra级数模型的辨识，结果表明，在保证一定精度的前提下，可以将核的数量降低50%以上．     

基于Volterra模型的一类通信系统的参数辨识

分析了Volterra级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型──Volterra离散频域模型．应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识．     

一种Volterra级数模型的简化辨识方法及其应用

针对基于Volterra级数模型的非线性系统辨识中存在的“维数灾难”问题,提出了一种基于分块最小均方(BLMS)滤波器的简化辨识方法.该方法利用影响指数的概念,在保证一定辨识精度的前提下,根据每个Volterra核函数对辨识结果贡献的大小对其进行筛选,然后用筛选出的有效核函数作为对原系统的近似,从而达到降低辨识维数,减少计算量的目的.最后,文章用一个工程实例验证了该算法的有效性.     

Volterra级数与摄动法的内在关系研究

摄动法是求解弱非线性方程的经典定量方法之一,而Volterra级数是一种可表征弱非线性系统的经典数学模型．研究表明,对于受迫多项式非线性系统,只有当其线性派生系统是阻尼耗散系统,由对系统输入进行小参数摄动求得的稳态输出响应才和由Volterra级数给出的解完全一致．结论意味着：Volterra级数并不能表示任意的多项式非线性系统,而仅适合表征线性派生系统是阻尼耗散系统的多项式非线性系统．     

稀疏假设下双频功率放大器的建模与预失真

提出一种简单而灵活的功放建模与预失真改进方法.该方法基于Volterra级数核系数的稀疏性假设,结合最大似然估计和最佳模型确定的信息准则,并且在选择活跃系数时结合了贪婪算法.将该技术应用于输入信号中心频率为2.61 GHz的宽带码分多址(wideband code division multiple access,WCDMA)信号和中心频率在2.69 GHz处的长期演进(long term evolution,LTE)信号的双频功率放大器预失真中,将输入信号放到欠采样双频预失真结构中,分别得到2个频带的预失真仿真测试结果.与Volterra级数和记忆多项式模型进行对比,结果表明,双频欠采样方法在预失真时减少了Volterra级数的参数,与传统Volterra预失真器相比,所提出的欠采样双频预失真器满足参考标准的频谱掩模和误差矢量幅度限制,在达到线性化补偿相同效果下,所提模型参数量减少了40％以上,减少了模型的复杂度.     

基于GA优化BP神经网络辨识的Volterra级数核估计算法

为取得更有效的船舶运动预报效果,提出了一种利用遗传算法(GA)优化单输出三层反向传播(BP)神经网络辨识Volterra级数核的算法.在船舶航行姿态时间序列的混沌特性识别基础上,分析了GA、BP神经网络和Volterra级数模型的特征.利用GA优化BP神经网络获得最优的初始权值和阈值,根据BP神经网络算法求得最终的最优权值和阈值.进行Taylor级数分解,得到Volterra级数各阶核,对船舶的横摇运动时间序列进行多步预报.仿真实验表明:所提方法预报精度高、时间长,具有有效性和适应性.     

一种非线性系统自适应辨识的新方法

研究了Volterra级数模型的非线性系统的自适应辨识问题．并提出了基于Volterra滤波器的自适应算法，讨论了步长因子的确定问题以及对算法收敛性的影响．最后给出了一个用Volterra自适应滤波器对非线性系统建模的实例，证明了这种方法的有效性．     

利用Taylor展开结合Pade逼近求解Volterra人口模型

Volterra人口模型是在Logistic模型的基础上加入积分表达式,以表示毒素积累对种群的影响.利用Taylor级数结合Pade逼近的方法求解Volterra模型,得到模型的解析近似解,并分析模型参数的影响.     

改进型RBF神经网络对ROF前传系统非线性行为建模

光载无线电(Radio-over-Fiber, ROF)前传系统在C-RAN基础上简化了基站RRH架构,但是ROF前传系统下行链路包含功放等非线性器件,依然面临非线性失真.先通过行为模型建模得到整个系统的非线性特性是对整个系统构建预失真器极为重要的步骤.针对ROF前传系统下行链路行为模型建模分析,以径向基函数神经网络为基础,提出了改进型复数径向基函数神经网络模型(Improved Complex RBF Neural Network,ICRBFNN),以4 MHz带宽的LTE信号作为测试信号,并与传统的功放模型广义记忆多项式(General Memory Polynomial, GMP)、改进型广义分数阶记忆多项式(Augmented General Fractional order Memory Polynomial,AGFMP)、实数时延神经网络(Real-Value Time-Delay Neural Network, RVTDNN)、实数时延径向基函数神经网络(Real-Valued Time-Delay Radial Basis Function, RVTDRBF)等功放行为模型作对比来验证模型的有效性.仿真实验结果表明,ICRBFNN相比传统功放模型取得了3 dB以上的建模精度提升.     

基于冗余提升小波包及Volterra级数的机械故障预测方法

针对Volterra级数模型在染噪时间序列预测中精度较低,以及收敛速度慢的关键问题,提出了一种基于冗余提升小波包(Redundant Lifting Wavelet Packet,RLWP)及Volterra级数的机械故障预测方法。首先用冗余提升小波包对振动信号进行分解,对分解得到的末层所有频带信号用奇异值分解进行降噪。然后通过构造二阶Volterra级数预测模型对降噪后的各频带信号进行预测。最后用冗余提升小波包重构算法对各频带预测信号重构,获得预测信号。仿真结果表明:结合冗余提升小波包的多分辨率分析及奇异值降噪,能明显提高Volterra级数模型的预测精度及收敛速度。在工程应用中该方法准确预测出了某离心压缩机的不平衡故障。     

Study on Volterra-Laguerre behavioral model for RF power amplifier

Volterra series behavioral model for radio frequency(RF)power amplifier(PA)has been widely used in system-level simulation,however,high computational complexity makes this kind of model limited to"weak"nonlinearity.In order to reduce the computational complexity and the number of coefficients of Volterra series kernels,a Volterra series improved behavioral model based on Lasuerre orthogonal polynomials function,namely Volterra-Laguerre behavioral model,is proposed.Mathematical expressions of Volterra-Laguerre behavioral model is derived.and accuracy of the model is verified through comparison of measured and simulation output data from a freescale PA using MRF21030 transistor.Mathematical analysis and simulation results show that Volterra-Laguerre behavioral model has a simple structure,much less coefficients and better modeling performance than general Volterra series model.The model can be used more correctly for system-level simulation of RF PA with wideband signal.     

基于两种模型的非线性自适应建模

研究了基于截断Ｖｏｌｔｅｒｒａ级数和双线性递归差分方程的非线性自适应建模，考虑了ＭＭＳＥ和广义ＭＭＳＥ准则，分析了各种算法的复杂性，分析结果表明，双线性模型在简洁性和计算复杂性方面的均优于截断Ｖｏｌｔｅｒｒａ级数。     

时间序列数据的稳健最优分割方法

针对分段多项式回归方法存在计算效率低和对噪声较敏感等缺点，提出了具有稳健性的最优分割方法，以解决时间序列数据相似搜索及知识发现处理中的长时间序列分割问题。该方法采用自顶向下策略，然后根据自适应定阶算法直接选定一个合适的多项式阶，对每个候选变化点，经过一次判断即可确定多项式的合适阶次。由于该方法基于对线性模型的数据矩阵作奇异值分解，从而可自适应确定子序列合适的模型，简化了计算过程，文中对此给出了理论证明。通过与Garalnik-Srivastava方法进行实验比较，证明所提方法不仅计算效率高，而且具有良好的稳健性。     

多变量时序模型的典则型研究

本文从多项式矩阵理论入手，指出多维时序模型的自回归部分多项式矩阵与滑动平均部分的多项式矩阵右互质，只是保证模型为典则型的必要条件，而不是充分条件，因此，为了获得多变量时序模型的典则型，必须限制模型的部分参数表达形式，因此提出了一种形式简单的多变量时序模型的典则型，并给出了实现的具体算法，还证明了该典则型自回归与滑动平均部分的多项式矩阵是右互质的．     

延时估计偏差对多项式预失真的影响

延时估计偏差通常会严重影响射频(RF)功率放大器预失真技术的性能.通过对预失真技术中延时估计偏差的理论分析,发现若要保证存在延时估计偏差时预失真器仍能实现放大器的线性化,则设计的预失真器应是理论上理想预失真器的一个延时版本;并提出一种记忆多项式模型用于放大器的预失真.仿真结果表明,采用记忆多项式模型比一般多项式模型对延时估计偏差有更强的鲁棒性.