基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.     

生物医学工程专业“医学信号分析与处理”的教学探讨

＂医学信号分析与处理＂是信息类生物医学工程本科专业的核心专业课。为了提高教学质量,增强学生解决实际问题的能力,本文分析了课程的特点,介绍了我系的教学方法。建议该课程采用理论、试验、综合训练三者相结合的教学模式。     

基于飞机散射信号的干扰源定位算法

地面无线电干扰源是威胁民航通信安全的重要因素，为了快速准确地定位地面干扰源，提出了一种新的基于飞机散射信号的干扰源位置估计方法。首先，根据多普勒频移特征选取若干相关系数最大值参考点；然后，利用加权质心法通过选中的参考点估计干扰源的位置；深入讨论了参考点点数与定位精度之间的关系以及最大相关系数灵敏度与定位精度之间的关系。仿真实验结果表明，与已有方法相比，在不同噪声条件下,所提方法定位精度更高，且计算复杂度较低。     

两种基于分数低阶统计量波束形成的推广

为抑制脉冲稳定分布噪声对波束形成的影响,通常采用分数低阶统计量进行处理,将现存的两种基于分数低阶统计量的波束形成方法分别进行推广,证明了两种推广后算法对应的协方差矩阵是互为共轭的,并且对协方差矩阵的非奇异性进行了讨论.仿真实验表明:与传统的线性约束最小功率波束形成相比,两种推广的波束形成算法,在脉冲稳定分布噪声下能够保证无畸变输出,并且具有更低的旁瓣.     

循环时延估计方法相互关系研究

系统分析了几种循环时延估计方法的原理,并对循环时延估计方法进行了分类.论证了几种方法的相互关系,揭示了这些方法之间的内在联系.结果表明广义循环互相关法(GCCC)与循环相位谱法是等效的;信号选择性自适应法是循环谱相关法(SPECCORR)的迭代实现;循环互相关函数相关法(CCCC)和循环谱相干法(SPECCOA)是循环互模糊函数法(CCA)的特例.     

波束域的信号盲分离方法

现有的源信号盲分离方法大都是针对阵元输出信号进行的,各种干扰信号和观测噪声的影响使盲分离算法性能退化,甚至失效.为了提高低信噪比情况下的信号盲分离能力,提出一种新的信号盲分离方法,即先对阵元观测信号进行盲波束形成,而后利用波束输出信号实行盲分离.盲波束形成阶段既提高了盲分离输入信号的信噪比,又可降低盲分离模型的阶次,信号盲分离阶段不仅能进一步净化信号,还能分离同一波束内两个以上的源信号.采用多种情况的人工仿真混合信号进行实验,以评价新算法的性能,仿真结果表明新的盲分离方法优于各阶段算法.     

基于目标检测和图割的多目标跟踪算法

多目标跟踪是智能视频监控中的一个具有挑战性的问题.提出了一种基于运动目标检测和图割理论的多目标跟踪算法.首先,利用码本模型对背景建模,检测运动目标.然后,令一个标签对应一个目标,建立能量方程,把多目标跟踪问题转化为能量最小化的组合优化问题.最后,构造网络图,利用最大流-最小割算法寻找最优解.实验结果表明,所提算法能够处理新目标的进入和原有目标的离开,对多目标之间的遮挡具有较强的鲁棒性.     

加窗LMS—ML自适应时间延迟估计

简述了最大似然时延估计的基本原理，从Ｒｏｔｈ处理器的自适应实现出发，发展了一种加窗ＬＭＳ－ＭＬ自适应时间延迟估计方法，这种方法以ＬＭＳ自适估计Ｒｏｔｈ处理器来得到幅度平方相干函数，进而实现最大似然时延仗估计，在自适应迭代过程中，对自适应滤波器的权矢量进行了加窗处理，理论分析和计算机仿真表明，这种方法在估计精度、收敛速度和计算复杂度方面均优于基本ＬＭＳ自适应时间延迟估计。     

铝电解实验数据的回归分析和经验公式拟合

Na3 AlF6 Al2 O3 熔体中添加AlF3 、CaF2 和LiF ,构成多元复合体系·依据可靠的实验数据 ,采用多元非线性回归方法 ,进行最小二乘法拟合 ,得到初晶点、电导率和密度与诸组成分之间的关系经验式 ,可供铝冶金科学研究和工业生产应用     

固定结构单元权值对基本Elman网络性能影响

基本Elman网络采用一阶导数形式的权值修正方法会导致结构单元连接权的稳定性变差．针对这一特点,提出了将Elman网络结构单元的前馈权值固定为1的改进方法,理论分析和仿真实验证明,该改进方法不仅能提高Elman网络收敛后的稳定性和精度,而且有效地降低了网络训练算法的计算复杂度。