非高斯分布噪声下诱发电位潜伏期变化自适应检测

传统的高斯分布白噪声的模型不能很好地描述EP信号中脑电图（EEG）和其他噪声的特性，因此，根据α稳定分布噪声理论和EP信号中噪声的非高斯特性，提出了一种基于最小分数低阶矩自适应诱发电位潜伏期估计方法，这种方法既可以应用于高斯噪声环境，又在低阶α稳定分布噪声（一类典型的非高斯噪声）环境下具有良好的韧性，是一种可靠的检测EP信号潜伏期变化的方法，分析和实验表明，α稳定分布噪声模型是一种适合于描述带噪EP信号统计特性的随机噪声模型，所得到的EP信号潜伏期变化的检测结果，与神经系统的真实状态及其变化一致。     

消除噪声的自适应滤波方法研究

电子系统中不可避免地会受到噪声的干扰。用固定参数的滤波器进行消除噪声有其缺陷,它对信号与噪声的先验知识需要的较多。本文讨论了用一种自适应滤波器消除噪声的方法,实验仿真证明这种方法能有效地去除弱信号中的噪声。     

一种基于离散小波变换的自适应滤波新算法

将小波变换、变换域自适应算法和变步长自适应算法相结合，得出了一种基于离散小波变换的自适应滤波新算法(NDWT-LMS)，该算法可以有效地降低输入信号的自相关程度，克服固定步长因子所导致算法在快的收敛速度和较低的稳态误差之间存在的矛盾。计算机仿真结果表明该算法与LMS算法相比具有更快的收敛速度和更小的失调噪声，可以很好地应用于自适应系统中。     

基于自适应网络模糊推理系统的噪声抵消

对自适应网络模糊推理系统(ANFIS)在噪声抵消中的应用进行了研究，说明了ANFIS的结构和使用ANFIS进行噪声抵消的原理，对窄带干扰的滤除和噪声中的信号提取两种情况进行了仿真，并对ANFIS和LMS(小均方误差准则)两种算法进行了对比研究，结果表明，利用ANFIS进行噪声抵消要优于LMS。     

神经网络在自适应滤波中的应用

利用神经网络对白噪声、红噪声和正弦波进行辨识，进而采用单片机对以上３种噪声和尖峰脉冲干扰进行自适应滤波处理，实验结果表明该方案正确。     

实时自适应噪声对消系统的TMS32010实现

提出了采用TMS32010高速数字信息处理芯片和APLMS算法实现实时自适应噪声对消系统的硬件结构和软件流程，通过实验验证了这种实时系统的有效性。     

基于预处理VAD和自适应KLT的语音增强算法

针对加性有色噪声干扰，提出了一种单通道输入基于信号子空间的话音增强算法。算法中使用自适应的方法跟踪KLT(Karhunen—Loeve Transform)阵。运用一种近似模型来表述有色噪声的特性，并基于噪声平稳的假设，通过采用预处理技术的语音活动性检测(VAD：Voice Activity Detection)单元获取噪声样本，用于下一语音帧中噪声特性的估计和增强处理。实验表明，算法对于有色噪声干扰下的语音信号有较好的增强效果，并且性能优于改进减谱法。     

基于线性预测的自适应语音增强技术

提出了一种基于线性预测的自适应语音增强方法。该方法利用带噪语音的线性预测作为自适应滤波器的参考输入，使有色噪声的相关性隐含于参考输入之中，从而大大地提高了语音的信噪比。仿真实验证明．被环境噪声污染了的语音信号经自适应系统处理后，其信噪比提高了32．70dB。     

一种基于双正交小波分解的自适应数字水印技术

提出了一种基于小波域上的自适应图像水印嵌入方法，它根据各小波子带的噪声敏感度和视觉掩盖特性，将基于Legendre序列的伪噪声水印添加到图像小波子带的特定数据上，实验结果表明，本水印具有很好的不可见性，并且对图像压缩和噪声干扰具有比DCT域水印嵌入算法更强的健壮性。     

自适应噪声对消及其在雷达目标识别中的应用

简述了利用波形综合法进行雷达目标识别的工作原理及产生Ｅ脉冲和Ｓ脉冲的方法，提出一种新的识别参量和识别方法。为了减少雷达回波噪声对识别的不良影响，本还提出了一种抑制不相关噪声的自适应滤波方法，并将自适应噪声对消技术用于雷达目标识别。     

自适应噪声抵消器频域优化设计及其应用分析

随着通信技术的发展,自适应噪声抵消器在现在信号处理中得到越来越广泛的应用.在分析和讨论自适应噪声抵消器原理基础上,详细研究了基于自适应滤波器技术的噪声抵消优化实现算法及其特性.最后,以胎儿心电图信号检测为例,分析了自适应噪声抵消技术的应用,在MATLAB环境下进行测试分析,模拟测试结果与理论分析预测吻合.     

一种新的语音噪声抵消算法

针对单参考输入自适应噪声抵消器在多噪声源情况下除噪声效果不理想的问题,根据多参考输入自适应噪声抵消器模型,在推导多参考输入最小均方（MLMS）算法的基础上,给出其改进算法（IMLMS）,结合语音信号的特点,给出了多参考输入自适应语音消噪算法（VMLMS）,利用调整算法执行过程的算法改进思想,突破了传统的修正收敛系数的算法改进模式,最后对几种算法的性能进行了计算机仿真比较。     

模糊大脑情感学习的自适应噪声抵消方法

提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法,应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号,将噪声信号从含噪信号中过滤掉,达到消噪的目的;根据自适应学习算法,利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新,以适应噪声的变化。选取均方根误差和计算时间2个性能指标,采用自适应噪声抵消方法在不同网络中进行仿真比较,结果表明,应用该方法可以获得更好的滤波性能。     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

声纳探测信号自适应脉冲噪声对消算法

针对浅海环境噪声严重影响声纳探测信号检测性能的问题,提出了一种非线性变换的自适应脉冲噪声对消算法。算法首先对回波信号和参考通道噪声信号同时进行非线性变换,对脉冲噪声进行软阈值滤波,在此基础上,采用最小均方误差算法实现自适应噪声对消,可获得稳健的收敛性能。α-稳定分布脉冲噪声条件下的仿真和某次实验中的声纳探测回波信号处理证明了算法的有效性。     

针对一种特殊干扰信号的自适应抵消器改进算法

提出针对一种特殊干扰信号的自适应抵消器改进算法。它既能有效地进行噪声抵消，又在一定程度上加快收敛速度，从而提高自适应抵消器在这种干扰环境下的性质。文中通过严格的理论推理，证明这种算法的可行性和优越性。计算机仿真结果表明，利用改进算法得到的抵消器输出结果，明显优于传统算法所得的结果。最后指出，这种改进算法在范围上的特殊性。     

自适应滤波器的拟最小二乘算法及其应用

提出两个具有拟最小二乘性的自适应横向滤波算法。该算法用于噪声对消器和预测滤波器,计算机仿真结果,验证了理论分析的正确性。     

D型单路回波抵消器的研制

该回波抵消器以TMS320C25 DSP芯片作为核心,采用横向滤波器形式的分块修正LMS算法,具有双向通话时中止参数修正功能.在回波抵消到某一个固定门限时将残余误差置0.最大尾电路延迟时间达32ms.     

雾中成像实现的一个思路

在子弹光成像理论的基础上,应用CCD器件,结合自适应滤波理由,提出一种雾中成像系统的统计思路,原始输入信号和参考信号自适应抵消器滤波后,消除蛇行光信号和噪声信号,得到子弹光信号,最后在监视器上输出清晰的图像。     

频域LMS 算法在语音消噪中的应用

推导了一种替代时域 LMS算法的快速频域算法 ( FLMS) ,计算机仿真的结果表明 :它在自适应滤波器权数超过 64时 ,运算量较时域 LMS算法有大幅度的下降 ,但保持了与时域 LMS算法相同的收敛速度。同时对算法的局限性和应用范围进行了讨论。