3型FIR滤波器优化设计研究

详细研究了3型FIR线性相位滤波器的幅频响应与正弦基函数神经网络算法之间的关系,提出并证明了该模型算法的收敛性定理,给出了3型FIR带通滤波器、海尔伯特变换器和微分器的优化设计实例。研究结果表明提出的算法避免了求高价逆矩阵的困难,有效解决了3型FIR高价数字滤波器优化设计的瓶颈问题。计算机仿真结果表明了正弦基函数神经网络算法在3型FIR高价数字滤波器优化设计领域中的有效性。     

FIR带阻滤波器优化设计研究

详细讨论了神经网络在FIR线性相位带阻滤波器中的应用.用神经网络方法设计的线性相位带阻滤波器,其幅频响应在通带与阻带范围均无过冲与波动现象,衰减特性好,在100dB以上.给出了FIR线性相位带阻滤波器的设计实例,计算结果表明,该算法在FIR线性相位滤波器设计中非常有效,具有优异性能.     

Design of twodimensional digital filters using neural networks

1.INTRODUCTION Two dimensional(2D)digitalfilteringisoneofthe mostfundamentalandmostimportantprocessing techniquesindigitalimageprocessingandother2D digitalsignalprocessingfields.Comparedwiththe designofone dimensional(1D)digitalfilters,2D digitalfiltersusuallymustbedesignedtosatisfyboth thedesiredmagnitudeandphaseresponsesespecially forimageprocessingapplicationsbecausehumanvi sionsystemismuchmoresensitivethanhumanaudi torysystemtowaveformdistortioncausedbythe phaseresponseoftheapplied2D…     

Design of complex FIR filters with arbitrary magnitude and group delay responses

To design approximately linear-phase complex coefficient finite impulse response (FIR) digital filters with arbitrary magnitude and group delay responses, a novel neural network approach is studied. The approach is based on a batch back-propagation neural network algorithm by directly minimizing the real magnitude error and phase error from the linear-phase to obtain the filter’s coefficients. The approach can deal with both the real and complex coefficient FIR digital filters design problems. The main advantage of the proposed design method is the significant reduction in the group delay error. The effectiveness of the proposed method is illustrated with two optimal design examples.     

基于多相滤波的高精度延时设计及实现

雷达测距测速应用中的精确性取决于时间上的高分辨率, 而传统基于有限长单位冲激响应(finite impulse response, FIR)滤波的高精度延时设计所需的滤波阶数过高, 滤波处理较慢且复杂。为了加快滤波速度和节省硬件资源, 将数字内插与多相滤波技术结合, 提出了一种基于多相滤波的高精度延时设计方案。根据延时精度对FIR滤波系数向量重新排序, 依据延时量大小选择多相子滤波器对采样序列进行滤波处理, 实现小于整数倍采样间隔的高精度延时, 具有滤波速度快、节省硬件资源的特点。仿真分析延时信号的相位, 表明了所提多相滤波方案可实现高精度延时。借助现场可编程逻辑门阵列(field programmable gate array, FPGA)平台, 时钟频率为245.76 MHz时, 实测的延时精度可低至0.509 ns。     

基于UKF神经网络的姿态测量信息融合算法

针对融合系统建模误差、噪声统计特性不精确性和环境的动态变化性致使传统联合滤波过程中融合权值难以确定,引入人工智能中的神经网络,提出了基于神经网络的多信息自适应智能估计融合算法研究;利用神经网络的自适应能力对状态估计融合结果进行实时辅助补偿和修正,将非线性最优估计与神经网络技术相结合,重点研究了基于UKF的神经元融合权重在线自适应学习算法,以便在缺少准确局部子滤波器协方差信息情况下,仍能使全局估计融合结果最优,从理论上证明了UKF学习算法优于传统EKF学习方法,并以卫星多姿态测量信息融合定姿系统为例,给出了计算实例和结论分析,表明了所提出的模型与算法在实际应用中的有效性。

Abstract：

The fusion weight of traditional Federal Kalman Filter is difficult to be determined because of the fusion system modeling error,the inaccuracy of noise statistic characteristics as well as the dynamic variability in the fusion filtering process.In order to solve this problem,a self-adaptive fusion estimation algorithm for multi-information measurement based on neural networks was presented,which used the self-adaptive ability of neural networks to make real-time compensation and amendment for the state fusion estimation results.Combining a nonlinear optimal estimation with neural network,an online adaptive training algorithm for the weights of neuron based on Unscented Kalman filter （UKF） was researched,which could still realize the optimal fusion for the global estimation even if the accurate covariance information of each local sub-filter were absent.The performances of UKF training algorithm and the traditional EKF algorithm were analyzed and compared,and moreover taking the multi-information fusion system for satellite attitude determination as the experimental example,the simulation calculation and analysis were advanced,which show that the presented models and algorithms are effective in the actual application.     

高阶带阻滤波器优化设计研究

众所周知，传统BP神经网络收敛速度慢、学习效率低。之所以如此，主要原因在于人工神经元输出函数的同一化。本文提出的神经网络模型的主要特点是：用正交基函数作人工神经元的输出函数，而且每个神经元的输出函数各不相同。该神经网络模型有效克服了传统BP神经网络收敛速度慢、学习效率低的致命缺陷。本文还详细研究了FIR线性相位滤波器的幅频特性与余弦基函数神经网络算法的关系，给出了高阶带阻滤波器优化设计实例。计算机仿真结果表明了该算法在高阶带阻滤波器设计中的有效性和优异性能。     

复域FIR滤波器的一种设计方法

给出了一种改进的FIR滤波器设计方法 ,该方法以复Chebyshev准则最佳地逼近一个给定的期望复值频率响应。它是通过求解半无限线性规划的对偶问题来实现的。该方法具有鲁棒性和很好的收敛特性 ,并且既可以设计复的频率响应 ,又可以设计实的频率响应。最后给出的计算机仿真结果说明了该算法的良好性能     

一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

基于AR模型逼近的AMTI滤波器设计方法

提出了一种新的雷达自适应动目标显示(AMTI)设计方法。该方法利用AR模型逼近杂波谱“倒置”理想带通滤波器的频率响应,实现了最优FIR滤波器的设计。由于被逼近的“倒置”理想带通滤波器的中心频率和通带宽度可随杂波功率谱的变化适时调整,使AMTI滤波器的杂波抑制性能与经典自适应方法相比得到有效提高。雷达实际采集数据的对比实验结果表明该方法设计出的AMTI滤波器的优越性和实用性。     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法，并证明了该算法的收敛性。与文献［２，３］中的学习算法和经典的误差反向传播学习算法相比，新的学习算法具有更快的学习速度、良好的泛化能力，并且对学习率有很好的鲁棒性，不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

一种带预处理的离散系数滤波器设计方法

提出了一种带预处理的离散系数滤波器设计方法。该方法基于离散系数滤波器设计问题的{-1,1}二次规划模型,利用{-1,1}二次规划的全局最优性条件,提出了一种最优解元素的判断准则,得到了一个规模较小的离散系数滤波器设计问题。结合随机扰动方法,得到了求解离散系数滤波器设计问题的一种带预处理的随机扰动算法。与随机扰动方法相比,带预处理的随机扰动方法得到的次优解的性能更好,需要的时间也大大减少。     

FIR滤波器约束Minimax设计算法

考虑了一类具有频域等式约束的FIR滤波器Minimax设计问题 ,得到了最优滤波器应满足的一个充分必要条件。根据该条件 ,并应用参数估计中的正交投影算法以及数值逼近理论中的Remez多重交换算法 ,提出了FIR滤波器约束Minimax设计的OPRemez算法。设计实例表明设计算法是十分有效的 ,并具有很好的数值特性 ,可设计阶数很大的最优约束FIR滤波器     

基于遗传神经网络的自整定PID控制器

提出了一种基于遗传算法和神经网络的自整定PID控制器的设计方法。该控制器主要由三个部分组成。第一部分利用遗传算法搜索出一组准优的PID参数，作为PID控制器参数的初值，第二部分利用神经网络具有逼近任意非线形函数的能力，在线调整PID参数，以确保系统的响应具有最优的动态和稳态性能，第三部分是传统的PID控制器，直接对被控对象闭环控制。计算机仿真结果表明，这种控制算法鲁棒性强，响应速度快，可用于控制不同的对象和过程。     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

高速并行FIR滤波器的FPGA实现

提出了一种基于多相滤波器的并行有限脉冲响应(finite impulse response,FIR)滤波器结构,可以有效提高滤波器运算的吞吐率,与传统的串行滤波器结构比,并行滤波器运算速度可以提高L倍,其中L为并行的路数,并且运算延迟小.首先从理论上分析了基于多相滤波器的并行滤波原理,并以八路并行为例,对FIR滤波运算做了浮点仿真验证.然后用经典符号数表示以及优化定点滤波器系数,并针对滤波器系数设计了流水线结构.最后在Altera的Stratix II系列芯片上实现了定点并行滤波器.可编程逻辑阵列(field programmable gatearray,FPGA)编译以及下载测试结果表明,该滤波器仅占用少量的资源,其等效吞吐率可以达到2 GHz.     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

AN INFORMATION THEORETICAL APPROACH TO NEURAL NETWORKS

The purpose of this paper is to present a unified theory of several differentneural networks that have been proposed for solving various computation, pattern recog-nition, imaging, optimization, and other problems. The functioning of these networks ischaracterized by Lyapunov energy functions. The relationship between the deterministicand stochastic neural networks is examined. The simulated annealing methods for findingthe global optimum of an objective function as well as their generalization by injectingnoise into deterministic neural networks are discussed. A statistical interpretation of thedynamic evolution of the different neural networks is presented. The problem of trainingdifferent neural networks is investigated in this general framework. It is shown how thisapproach can be used not only for analyzing various neural networks, but also for the choiceof the proper neural network for solving any given problem and the design of a trainingalgorithm for the particular neural network.     

基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长，Levenberg-Marquardt优化方法对基本的BP神经网络进行改进，以提高学习速度，改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联，能够自适应地调整阈值，即根据训练数据调整关联的门限值，与确定门限的属性关联算法相比，有着很高的关联正确率。     

基于正交基函数的广义FIR模型辨识方法

为了解决高阶脉冲响应模型带来的分析和计算上的困难,利用系统的部分已知信息构造正交基函数,并将其引入到传统脉冲响应建模中,提出了一种广义脉冲响应模型辨识方法。该方法通过正交基函数对输入数据进行滤波,使得滤波后的数据蕴涵着系统的部分动态特性,但也使滤波后的数据不再满足时移特性,因而无法直接使用梯度算法对模型参数进行辨识。结合递推最小二乘原理,给出了模型参数的计算公式。最后给出了仿真算例,结果表明,给出的方法具有优良的性能,完全能够满足系统建模要求。