线性调制下LMS和RLS算法研究及仿真

利用MATLAB仿真软件对线性调制下LMS和RLS两种算法进行仿真,通过仿真比较了两种算法的收敛速度,对两种算法收敛后的误码率进行分析,研究了步长对LMS算法均方误差性能曲线的影响和遗忘因子对RLS算法性能曲线的影响．     

小波变换域多路回波消除自适应滤波算法

提出了一种小波变换域Newton／LMS多路回波消除自适应算法．新算法使用输入信号经离散小波变换后的细节分量调节自适应滤波器系数．当新算法应用于多路回波消除时具有很高的收敛速度和收敛精度,取得了较好的回波消除效果．仿真表明了新算法的有效性。     

SA-LM优化WNN及其在模拟电路故障诊断中的应用

针对连续紧凑型小波神经网络（WNN）收敛速度慢问题,提出了用Levenberg-Marquardt（LM）算法改进的小波神经网络LM-WNN．为了克服LM-WNN由于收敛速度过快易陷入局部最小点和平台的缺点,利用模拟退火（SA）算法对小波神经网络的参数进行优化,得到一组接近全局最小值的近似解,把近似解作为小波神经网络权值和阈值矩阵的初始值,以确保LM-WNN收敛于全局最小点．把SA-LM-WNN用于模拟电路故障诊断,仿真结果表明,该算法能够快速收敛于全局最小点,仿真效果较好．     

基于最小二乘法的BP算法

标准BP神经网络算法收敛速度慢是限制其广泛应用的主要原因．为此，以标准BP算法为基础，应用最小二乘法理论，提出了一种收敛速度快的BP算法——NLMsBP算法．仿真结果表明，和标准BP算法及其它改进形式比较，NLMSBP算法收敛速度大大提高，稳定性并未降低，这为BP神经网络应用于实时性要求高的场合提供了算法基础．该算法缺点是计算量大，所需计算机内存大，不适于大型网络的计算．     

基于小波包变换的自适应多用户检测

在分析传统自适应多用户检测的基础上，提出了一种基于小波包变换的自适应多用户检测算法．该算法用小波包变换进行前处理，然后再通过最小均方(LMS)算法实现自适应多用户检测．与通常的自适应多用户检测算法相比，该算法利用了小波包变换对小波空间进行分解，信号经小波包变换后自相关性会下降，收敛速度提高．同时在此分解过程中，根据信号与白噪声小波包变换完全不同的特性进行信号消噪．理论分析和仿真结果表明，该算法与传统LMS自适应多用户检测算法和基于小波变换的自适应多用户检测算法相比，算法收敛速度更快，且计算量较少，易于实时实现，还具有良好性能．同时仿真结果表明该算法收敛速度与小波基和分解级数的选择有关，分解级数越大，收敛速度越快；对于同一小波基系列，小波基正则性越好收敛速度越快。     

基于神经网络的电力系统谐波测量方法研究

提出了一种新的基于三角基函数神经网络的电力系统谐波测量方法,给出了该神经网络算法的收敛定理,并采用加窗插值算法修正基波频率的准确度．该方法不需要同步采样和整周期截断,可一次性获得电力系统基波及各次谐波的频率、幅值和相位．计算机仿真结果表明,该方法计算精度高,计算量小,收敛速度快．     

基于行动分值的强化学习与奖赏优化

针对强化学习算法收敛速度慢、奖赏函数的设计需要改进的问题，提出一种新的强化学习算法．新算法使用行动分值作为智能行为者选择动作的依据．行动分值比传统的状态值具有更高的灵活性，因此更容易针对行动分值设计更加优化的奖赏函数，提高学习的性能．以行动分值为基础，使用了指数函数和对数函数，动态确定奖赏值与折扣系数，加快行为者选择最优动作．从走迷宫的计算机仿真程序可以看出，新算法显著减少了行为者在收敛前尝试中执行的动作次数，提高了收敛速度．     

混合遗传算法在CSTR中应用

针对遗传算法（GA）收敛速度慢,不利于在实时控制中应用这一问题,构造出一种快速收敛的混合遗传算法（HGA）,该算法利用遗传算法的全局搜索能力,并采用Nelder—Mead单纯形法来加强算法的局部搜索能力,加快了算法的收敛效率．将基于该混合遗传算法的模型参考自适应控制方法引入连续搅拌反应釜（CSTR）这一复杂的非线性系统,根据参考模型的输出,通过混合遗传算法对控制系统的PID参数进行在线寻优和在线调整,以达到参考模型所要求的控制效果,仿真结果表明了该方法的良好控制性能．     

一种基于RLS和RVSSLMS智能天线波束赋形算法

根据智能天线波束赋形算法必须考虑设备的复杂性和收敛速度的要求,提出一种结合RLS和RVSSLMS算法各自优点的RLS-RVSSLMS波束赋形算法,并用Matlab进行了仿真。仿真结果表明：RLS-RVSSLMS既具有RLS算法收敛速度快的特点,同时保持了LMS算法计算量小的特点。     

基于多克隆选择的多维关联规则挖掘算法

通过引入多克隆选择算法的思想,提出了一种基于多克隆选择的关联规则挖掘算法．仿真对比试验表明,该算法加快了关联规则挖掘的收敛速度,具有更强的全局与局部搜索能力,与基于进化算法和基于免疫算法的关联规则挖掘算法相比,明显提高了所得关联规则的准确率．