基于改进鲸鱼算法的数字助听器回声消除方法

在数字助听器应用中,回声消除能力是检验助听器效果的标准之一。针对回声消除算法中自适应滤波器权重设置主观性较强以及实际语音信号波动性较大导致数字助听器回声消除精度不高的问题,提出了一种结合集合经验模态分解(EEMD)方法及鲸鱼算法(WOA)的最小均方误差算法(LMS)。该新方法在鲸鱼算法的基础上引入集合经验模态分解方法,采用集合经验模态分解方法将采集到的语音信号分解为若干个平稳的子序列,运用鲸鱼算法收敛速度较快的特点帮助自适应滤波器更快找到更适宜的权重,对自适应滤波器进行权重向量的优化,从而建立EEMD-WOA-LMS模型,通过回声消除效果的常用性能指标对所提方法进行验证。仿真实验表明,将改进方法与WOA-LMS算法相比,能获得较快的收敛速度和较低的失调量,并且均方误差有所降低,失调量降低了0.73 dB,回声损失值提升了2.87 dB,验证了EEMD-WOA-LMS算法的回声消除能力更优。

基于AdaBoost-WOA-HKELM的下肢关节角度预测

针对当前下肢连续运动预测精度低的问题,提出一种基于AdaBoost-WOA-HKELM的下肢髋、膝关节角度预测方法。采集人体正常行走状态下的下肢表面肌电信号和关节角度信息,对预处理后的表面肌电信号进行特征提取,并结合关节角度信息建立特征数据集;选用混合核极限学习机(HKELM)模型作为弱学习器,引入鲸鱼优化算法(WOA)对HKELM模型参数进行优化,通过AdaBoost集成学习算法将弱学习器训练为强学习器,建立AdaBoost-WOA-HKELM关节角度预测模型,利用特征数据集对Ada⁃Boost-WOA-HKELM模型进行训练、测试,并与HKELM、WOA-HKELM模型进行髋、膝关节角度预测的仿真对比实验。结果表明:AdaBoost-WOA-HKELM模型在髋关节和膝关节角度预测方面表现出色,其均方误差分别仅为2.0869和2.2849,而决定系数分别达到了0.9882和0.9887。以上指标明显优于其他2种模型,突显了AdaBoost-WOA-HKELM模型在精确预测下肢关节角度方面的卓越性能。决定系数接近1的结果表明模型对实际数据的拟合程度极高,进一步验证了AdaBoost-WOA-HKELM模型的有效性和准确性。