广义二次相关时延估计算法改进

在基于TDOA的声源定位算法中时延估计的精确度是关键,时延估计极小的误差也会导致定位结果的偏离,因此为了提高声源定位的精度,必须对时延进行准确的估计.传统的广义互相关时延估计方法是通过添加相应的加权函数来提高语音信号中的有效成分,从而提高时延估计的精度.然而现实中声学环境非常复杂,在较低信噪比的情况下,传统广义互相关时延估计法的性能开始下降,导致时延估计误差变大.针对这一问题提出了一种基于二次相关的广义互相关时延估计改进算法,该方法首先通过滤波器对接收到的音频信号进行滤波,再利用二次相关抑制了噪声对信号的干扰,然后对加权函数进行改进,提高时延估计精度.最后计算机仿真实验表明,无论在低信噪比还是在高信噪比甚至是弱混响的环境下,该方法都获得了较好的时延估计性能.     

采用多变量RBF神经网络的非线性内部迭代预测控制

针对工业过程中被控对象往往具有复杂、强非线性、多变量的特性,提出一种基于多变量径向基函数(radial base function,RBF)神经网络的非线性内部迭代预测控制方法.采用多个RBF神经网络在线逼近多输入多输出的非线性系统,得到一个近似模型作为预测模型.同时为了减少求解系统控制律的计算量,将每个输出预测值沿着输入轨迹展开,从而把求解复杂非线性优化问题转化为求解简单的二次规划问题,解决了在线实时递推控制律时求解非线性微分方程的困难.最后通过t次内部迭代直至满足迭代条件,得到了最优的控制律.p H中和过程的仿真结果表明了该算法是有效而可行的.     

基于TSA的非线性神经网络预测控制

针对现有非线性预测控制方法在线递推控制律时求解非线性方程的困难,提出一种基于树和种子算法(tree and seed algorithm, TSA)的非线性神经网络预测控制算法.该算法采用径向基函数(radical basis function, RBF)神经网络建立非线性系统的过程模型,并将该模型作为预测模型,可以有效逼近系统的过程特性.在此基础上,通过该模型递推非线性系统的预测输出值,并设计具有约束的二次型性能指标.利用TSA优化该性能指标,不断在线搜索非线性预测控制系统的最优控制律,避免采用直接递推的方式求解复杂非线性优化问题,减轻了系统的计算负担.生化发酵过程仿真对比结果表明,该算法具有很强的跟踪和抗干扰能力.