一种稳定的总体最小二乘自适应滤波算法

针对输入输出观测数据均含有噪声的滤波问题,提出了一种稳定的总体最小二乘自适应算法.该算法以系统的增广权向量的瑞利商与增广权向量最后元素的约束项的和作为总损失函数,利用梯度最陡下降原理导出权向量的自适应迭代算法,并通过对算法稳定性的分析确定了算法中学习因子的取值范围.所提出的算法稳定,计算复杂度低,既没有平方根运算,也不需要标准化处理.仿真实验表明,该算法的收敛性能、鲁棒抗噪性能和稳态收敛精度均明显高于同类其他总体最小二乘算法.     

最小二乘支持向量机鲁棒回归算法研究

最小二乘支持向量机因模型学习过程中以二次损失函数为经验风险,造成学习结果对噪声特别敏感。鉴于实际问题中噪声不可避免、不可预测,且分布规律难寻,该文主要研究最小二乘支持向量机的鲁棒性增强算法,以提高其抵抗噪声与异常值的能力。通过分析得知,样本的局部异常因子与噪声大小间具有很大的相关性,因此提出了用于非线性回归问题的局部异常因子概念;并将其应用于最小二乘支持向量机模型学习时最优损失函数的确定中,提出了基于样本局部异常因子的直接加权最小二乘支持向量机鲁棒回归算法。为验证所提出算法的性能,该文最后以2个典型非线性对象为例,将其与原最小二乘支持向量机、文献中已有的基于预估噪声分布的加权最小二乘支持向量机进行了对比。对比结果表明,所提出的直接加权最小二乘支持向量机算法具有更好的鲁棒性。     

基于加权递推最小二乘法的微硬盘伺服信号滤波

针对微硬盘伺服信号的滤波问题,采用了一种加权递推最小二乘法.该算法使用最小二乘加权时间平均准则取代通常的最小均方误差准则,并利用该准则导出权向量的自适应迭代公式,算法保证在每步迭代运算中权值都能调整到最佳,同时降低了权值调整量对噪声的敏感程度.实验结果表明:该算法滤波效果好、抗噪能力强、稳态收敛精度高和收敛速度快,适用于诸如微硬盘驱动器之类对收敛速度及消噪要求较高的场合.     

基于自适应算法的去噪滤波仿真比较

介绍了自适应滤波器的基本原理,对最小均方算法(LMS)和递推最小二乘算法(RLS)这两种自适应算法进行了理论分析和仿真比较.模拟仿真结果和语音去噪系统均表明:两种算法都能有效滤除噪声干扰.相比之下,RLS算法具有更好的收敛性能和稳定性,权噪声小,抑噪能力强.     

一种基于质点动力学原理的快速自适应建模算法

针对自适应逆控制技术中最小均方(LMS)算法建模速度慢的缺点，基于重力场中超曲面上质点的动力学原理，提出了一种快速自适应建模算法．该算法的特点是将滤波器权系数的迭代求解过程类比为重力场中超曲面上质点的运动，在质点的自由运动微分方程中加入比例阻尼项，使各模态的阻尼系数均接近于临界阻尼，从而使权系数以较快速度收敛，并利用质点微分方程中的非线性项实现变步长迭代，明显提高了自适应维纳滤波器的权系数收敛速度．仿真试验结果证明该算法优于LMS算法．该算法运算代价小，收敛速度快，可替代LMS算法用作自适应逆控制的建模工具。     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

基于Volterra级数模型的非线性系统的鲁棒自适应辨识

研究了基于Volterra模型的非线性系统的鲁棒自适应辨识问题。针对Volterra系统辨识时输入输出观测数据均受噪声污染的情况,建立了基于Volterra模型的鲁棒Volterra总体均方最小自适应辨识算法。算法应用梯度下降原理,通过对梯度的修正,有效地提高了算法的鲁棒性。仿真结果表明,在低信噪比,或使用较大学习因子的情况下,该算法的收敛性能明显优于其他算法,便于实际应用。     

基于频率选择性滤波的归一化最小均方算法研究

通过对噪声主动控制技术中广泛应用的归一化滤波最小均方算法的分析,提出了基于频率选择性的归一化滤波最小均方算法并建立了该算法在噪声主动控制中的应用模型;在Matlab/Simulink环境中建立了归一化频率选择性最小均方算法的仿真模型,通过合理地选取自适应滤波器的结构、滤波器长度、收敛因子等控制参数,对单频噪声信号和窄带随机噪声信号进行了自适应抵消仿真分析。仿真结果表明,噪声信号抵消效果明显,与理论分析的结论一致,证明该算法准确并且有效。     

一种鲁棒的递推总体最小二乘无源定位算法

针对机载无源定位易受异常误差影响的问题,提出一种基于角度信息的鲁棒递推总体最小二乘定位(RRTLS)算法。建立机载无源定位模型,得出递推总体最小二乘(RTLS)解。推导RTLS算法的加权形式,构建鲁棒总体最小二乘极值准则。在此基础上建立等价权函数,使得当出现异常误差时,算法能够自动识别异常误差,并利用降权、剔除奇异点的方式减小异常误差的影响。研究结果表明:随着误差的增大,RRTLS算法的影响函数绝对值减小,抗异常误差能力较强。仿真结果表明:存在异常误差时,递推最小二乘(RLS)和RTLS定位结果受到扭曲,而RRTLS算法能够获得理想的估值,具有较强的鲁棒性。     

基于动态神经网络的人工环境自适应控制

本文将动态ＢＰ网络应用于双输入双输出非线性耦合系统的自适应控制，并利用递归最小二乘法来训练该网络，ＲＬＳ算法具有收敛速度快，抗噪声能力强等优点，还避免了常规ＢＰ算法中学习率选取困难的难点。     

基于变步长最小均方误差自适应滤波器的变压器机器鱼避障时延仿真

为了解决变压器机器鱼避障过程中时延信息难以准确估计的问题,提出一种基于变步长LMS（最小均方误差）自适应滤波器的时延估计方法。不同于传统的互相关时延估计算法,变步长LMS自适应滤波器算法不需要信号和噪声的统计先验知识,具有更好的适用性。算法根据最小均方误差准则和最速下降法对滤波器的输出和权系数向量进行自适应调节,迭代过程中采用变步长代替传统的固定步长提高了收敛速度,然后对权系数向量进行Sinc函数插值获得时延估计结果。仿真分析了不同信噪比条件的时延估计性能,并且与传统互相关算法进行了比较,结果表明所提算法相对于传统互相关算法具有更好的抗噪性和更明显的时延估计峰值。     

抗差与自适应组合的卡尔曼滤波算法在动态导航中的研究

针对观测信息不充足时,无法使用现有的一些抗差自适应滤波的问题,提出一种组合抗差滤波和自适应滤波的方法.该方法利用基于m估计实现的抗差滤波和基于新息向量马氏距离平方服从卡方分布而构造的自适应滤波,同时采用2次对检验统计量进行判别的方法,可以在单个历元实现在标准卡尔曼滤波、自适应卡尔曼滤波和抗差卡尔曼滤波之间选择一种当前时刻的最优滤波,因此,采用该方法也能构成抗差自适应卡尔曼滤波.仿真结果表明,在观测信息不足且滤波模型出现异常时,该方法能有效控制动力学模型误差和观测异常对导航解的影响,使导航解更能反映导航系统的真实情况.     

NLMS算法在轨道电路信号解调中的应用

针对目前轨道电路FSK信号解调中传统解调方法解调精度不足的问题,在对自适应滤波理论研究的基础上,提出采用基于NLMS算法的自适应滤波模块,利用传统频谱分析法得出轨道电路FSK信号的载频信息作为自适应滤波模块的期望信号,通过提取其中一个载频分量从而还原调制方波,经过计算后得出调制频率,实现信号的解调。仿真结果证明NLMS算法不仅实现了轨道电路FSK信号高精度的解调,并且解决了传统LMS算法在轨道电路FSK信号解调中收敛速度慢的缺陷,具有良好的抗噪性能。     

一种基于次元分析技术的鲁棒波束形成算法

针对实际应用中先验知识存在偏差的问题,基于权向量长度恒定的常规线性约束波束形成算法,提出一种权向量长度恒定的最差情况性能优化波束形成算法.分析了神经次元分析(MCA)学习规则与该波束形成优化问题在数学描述上的相似性,利用神经MCA学习规则实现鲁棒自适应波束形成.仿真结果表明,与基于线性约束的波束形成算法相比,该算法具有更强的信号跟踪能力和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性.     

基于导数约束的互谱降秩自适应波束形成

在导数约束基础上,提出了一种对阵列导向矢量失配稳健的互谱降秩自适应波束形成算法.通过在期望方向上设置多个线性导数约束,对阵列接收数据进行利用互谱能量的降秩处理,然后进行自适应波束形成.该算法不仅能够在导向矢量失配情况下获得较好的性能,并且弥补了传统稳健自适应波束形成算法运算量大的缺点.仿真分析表明,所提出的算法具有较好的稳健性能.     

基于KNN-TSVR算法的MIMO-OFDM系统信道估计

为了提高多输入多输出正交频分复用(MIMO-OFDM)系统的信道估计性能,提出了一种基于K近邻加权孪生支持向量回归(KNN-TSVR)的信道频率响应估计算法.该算法的工作过程是首先用最小二乘算法对导频位置的信道参数进行估计,获取训练样本,然后用K近邻(KNN)算法对训练样本进行预处理,得到赋予各样本的权重,最后由加权TSVR对MIMO-OFDM系统所有位置的信道参数进行插值估计.本文提出的改进的加权TSVR信道估计方法不仅具有TSVR对非线性关系回归的优势,同时引入KNN算法对TSVR进行改进,使得该算法与传统TSVR相比,具有更好的回归性能和抗噪声能力.对非线性MIMO-OFDM信道进行估计的仿真实验结果证实了这一结论.