基于LS的梯度迭代最陡下降算法GISDA

提出了一种基于LS准则、利用梯度迭代的最陡下降算法G ISDA(G rad ient IterationSteepest D escent A lgorithm,G ISDA).该算法在梯度计算上比LM S精确.新算法与传统的最陡下降算法相比,具有运算量小、容易实现等优点.G ISDA算法比LM S算法收敛速度快、稳定性更好.并给出了G ISDA算法和LM S算法性能比较的计算机仿真结果和结论.

基于Adam算法的LMS优化

虽然传统的LMS算法简单有效,但它的收敛速度较慢,容易受到初始权值选择和步长设置的影响。为了解决这个问题,我们引入了Adam算法的自适应学习率特性到LMS算法中。Adam算法通过一阶矩估计(mean)和二阶矩估计(variance)来估计梯度的均值和方差,并根据这些估计值来调整学习率。这样可以对梯度下降的方向和速度进行更精细地控制。通过Adam算法对LMS优化,LMS算法在更新权重时能够更加高效地利用梯度信息,从而提高训练速度和收敛性能。此外,优化后的算法还具有一些超参数,如beta1、beta2和eps等,需要根据具体的应用场景和数据特点进行调节,以获得最佳的优化效果。仿真结果表明优化方案比传统LMS算法在收敛过程中的震荡要更小。

基于梯度下降的自适应姿态融合算法

针对第一代帆船姿态测量系统中采用的自适应卡尔曼滤波算法作用范围有限、动态性能较差等缺陷,基于微机电系统(MEMS)惯性传感器与梯度下降姿态融合算法提出了两种自适应方法,分别根据当前时刻之前N个采样点的平均运动加速度与加速度的变化量设计自适应控制因子,得到稳定的动态梯度下降步长。实验结果表明:两种算法性能均优于自适应卡尔曼滤波与单点加速度抑制法,其中,基于加速度增量的控制算法更加符合高速运动状态下加速度剧烈变化的实际规律,测量性能达到最优,符合海面帆船运动船体姿态测量的实际需求。

自适应混合滤波算法在微型飞行器姿态估计中的应用

针对低成本惯性测量单元(IMU)存在漂移和噪声干扰等问题,提出了一种具有自适应参数调节的混合滤波算法。采用四元数法进行系统模型的描述,用梯度下降法对加速度计测得的数据进行处理,再通过互补滤波器将其与陀螺仪测量值进行融合,形成混合滤波算法。同时,考虑到飞行姿态的复杂性,进行参数λ的自适应调节,因而改进后的混合滤波算法,能保证各种飞行姿态变化情况下实时姿态的最优估算。实际系统在线实时性能测试表明,提出的算法简单,估计精度高,易于在嵌入式系统中实现,具有较高推广应用价值。

采用组合滤波算法的无人机航向测量系统研究

为了解决低成本小型无人机航姿精密测量的问题,设计了一种基于MARG传感器的航向测量系统方案。该系统由MEMS IMU、电子罗盘和STM32F407微处理器组成,采用运算量较小的梯度下降算法和改进型二阶互补滤波算法将具有互补特性的电子罗盘和IMU进行数据组合滤波,并基于四元数进行坐标转换,解算出飞行器航向信息。通过对航向测量系统的实验测试及其在旋翼飞行器上的验证分析,结果表明,在没有外界信息辅助的情况下,该系统较好地解决了噪声干扰与航向测量问题,可以满足小型旋翼无人机对航向信息的要求。

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.

基于近似梯度算法的Fisher线性判别分析问题的求解研究

Fisher线性判别分析(FLDA,Fisher linear discriminant analysis)是一种经典的线性降维方法,可归结为广义特征值问题的求解,但广义特征值问题的求解的复杂度较高.为了更好地求解FLDA问题,引入了近似梯度下降(PGD,proximal gradient descent)算法,并分析了该算法的收敛性.实验结果表明,相较于求解广义特征值等方法,PGD算法能更高效地求解FLDA问题.

一种遗传-梯度混合算法

本文提出一种函数全局优化的遗传-梯度混合算法。该算法由选择、交叉和诱导变异算子组成。通过对自适应滤波和前向神经网络权值训练两个典型问题的数字仿真，表明该算法是一种快速有效的全局优化算法。

基于非线性PCA准则的两个盲信号分离算法

该文首先基于Oja定义的非线性PCA准则J1(W),利用矩阵广义逆递推得到一种盲信号分离算法,然后对Karhunen给出的非线性PCA加权误差平方和准则J2(W),采用梯度下降算法和线性寻优而得到另一种自适应盲信号分离算法。对这两个分离算法进行了计算机仿真,仿真结果表明它们的有效性。

四旋翼飞行器姿态解算算法试验研究

四旋翼飞行器姿态信息的准确性直接影响飞行器的飞行控制效果。介绍了四旋翼飞行器姿态解算常用的梯度下降与互补滤波融合算法和自适应互补滤波算法的原理,并基于自主研发的IMU系统对两种算法的静态与动态解算效果进行了实际测量和对比分析。实验结果表明,自适应互补滤波算法在两种情况下的滤波效果均优于梯度下降与互补滤波融合算法。

基于PCA的GHA算法在BP网中的融合应用

针对传统特征提取方法和BP神经网络相结合而存在的缺点,提出一种新的分类器模型"PCABP网"。首先利用PCA特征向量来初始化PCABP网的初始层权值矩阵,由此新模型的初始层起到取代PCA进行特征提取的作用。其次在训练过程中通过GHA和GD算法对初始层投影权值矩阵进行动态调节来优化特征向量。该方法从源头样本来优化"类别分离"和"特征提取",找到对样本降维和分类的最佳契合点,以此来替代传统模式识别中"首先单独特征提取,其次利用分类器分类"的方式。在FERET人脸库上的实验结果验证了该方法的有效性。

一种新的快速小波网络学习算法

针对小波网络学习算法具有训练时间长、收敛缓慢,以及训练时频繁调整隐含层与输出结点之间的权重,难以确定合适的步长等缺点,提出了一种把梯度下降方法和Kalman方法有机结合的快速学习算法。该算法使用梯度下降方法调整尺度和平移系数,用Kalman方法调整权重,以动态非线性系统和混沌系统为实例做了仿真,并与其它方法做了比较。结果表明该算法能够对动态非线性系统的输入输出快速学习和建模,优于其它小波网络的学习算法。

变步长LMS算法及在数字预失真中的应用

为了解决共址平台上多条无线电链路之间的相互干扰问题,结合设备降功耗、重量和体积需求,使用数字预失真技术改善功放的带外非线性,降低对共址滤波器的抑制度要求,同时提升功放效率,简化散热设计。归一化LMS的收敛速度比LMS有了较大提升,但调整步长时仅考虑了输入信号,没有利用误差信号提供的信息,因此提出一种自适应变步长的LMS算法。该算法利用输入信号和误差信号提供的信息,实时调整迭代步长。实验表明,在相近的收敛时间下,稳态性能提升了5 dB。

基于微信号增强的机器人远距离语音识别仿真

由于噪声信号的干扰,导致机器人难以实现对微弱信号的远距离语音识别,影响最终的识别效果.为此,本文提出基于微信号增强的机器人远距离语音识别仿真研究.首先采用谱减法对微信号进行增强处理,由于语音信号中噪声功率谱具有一定的稳态属性,可估算出噪声的功率谱,再利用谱减计算求出纯净语音的功率谱,对傅里叶变换后的各个相位信号进行差异化赋权后,再对去噪功率谱进行拟合,完成对信号相位的恢复.在语音识别阶段,将增强后的原始语音信号分解为若干个独立的语音帧,在梅尔三角滤波器组中提取语音信号的Mel频谱参数,将其与语音频率之间的关系作为识别特征参数,最后利用梯度下降算法,在损失函数的约束下匹配与识别特征拟合度最高的内容,实现语音识别.仿真测试结果表明,本文提出的设计方法在噪声、不同信噪比、不同测试距离下对语音的识别率均达到了95.00%以上,与对照组相比具有更好的识别效果.

自适应非线性FIR主动噪声控制

针对非线性主动噪声控制系统的非高斯噪声问题,利用Hammerstein/Wiener模型思想简化Volterra滤波器,提出基于函数映射的非线性FIR主动噪声控制器.给出基于二阶Renyi误差熵和均方误差加权和的广义滤波-X梯度下降算法,实现自适应非线性主动噪声控制,并分析了控制算法的收敛性.该方法综合了信息熵和均方误差对误差信息的优势,结构简单且学习参数少.仿真结果表明了该方法的有效性.

UWB/MIMU自适应动量GD-PF室内协同定位

针对超宽带(UWB)室内定位时容易受到非视距误差影响,导致定位精度大大下降,甚至无法准确定位的问题,提出了一种UWB/MIMU自适应动量梯度下降-粒子滤波(GD-PF)室内协同定位方法。首先在梯度下降算法中引入指数加权平均和变步长策略,加快解算速度;然后采用粒子滤波对UWB解算数据进行优化,减小粗差对定位精度的影响;最后引入自适应函数调整扩展卡尔曼滤波(EKF)增益,对UWB和微型惯性测量单元(MIMU)的定位数据进行联合滤波。UWB/MIMU协同定位实验结果表明,自适应动量GD-PF协同定位算法与传统定位算法相比,能有效消除非视距误差的干扰,提高室内定位精度和鲁棒性。

非对称广义正态分布的估计及应用

为更好地刻画金融市场收益率数据的尖峰厚尾带偏特征,本文将广义正态分布推广为非对称广义正态分布,给出该分布的三种表达式和概率性质,利用极大似然估计方法和小批量梯度下降算法进行参数估计和数值模拟。针对标准普尔500指数(S&P 500)和上海证券交易所综合指数(SSEC)的日收益率数据集,对比分析非对称广义正态分布及其3种退化分布的拟合效果。实证结果表明,非对称广义正态分布更好地拟合了日收益率数据的尖峰厚尾带偏特征,在金融市场数据建模中具有较好应用价值。

基于自适应结构的径向基神经网络模式识别

为了提高神经网络模式识别的泛化能力,运用梯度下降、扩展卡尔曼滤波、无先导卡尔曼滤波和一种基于遗传算法与扩展卡尔曼滤波组合的新方法,对径向基神经网络的中心节点和权重进行了优化,建立了自适应结构的径向基神经网络模型,实现了对IRIS数据集的识别。通过仿真实验,对基于不同算法的径向基神经网络,从逼近能力、输出误差、学习效率与识别精确度等方面进行了分析比较。本文方法具有很强的非线性处理能力和自适应能力及较快的学习速度。

基于改进LMS加BP神经网络的二相码旁瓣抑制

研究了BP神经网络在二相码旁瓣抑制中的应用,采用自适应学习速率梯度下降算法对网络进行训练,为了提高网络的抗噪声及多目标背景下的检测性能,训练的样本向量选取理想样本结合含噪声样本混合模式。此外,在将接收到的回波信号送入网络前,使其通过改进的自适应滤波器,以提高输入的信噪比。实验表明,对127位M码调相的不加噪声单目标回波,该算法能够使脉压输出的主旁瓣比达到60dB以上,并且在多目标及噪声环境下具有较好的性能。

矿用乳化液浓度在线检测系统设计

针对现有乳化液浓度检测方法受温度影响较大、无法实时测量并全程跟踪采样的问题,在传统密度法的基础上,设计了一种矿用乳化液浓度在线检测系统。该系统通过嵌入储液箱的拉力传感器、温度传感器和液位传感器监测乳化液实时状态信息并发送至DSP控制终端,DSP控制终端根据密度法原理求解当前乳化液浓度并上传至上位机,实现实时在线检测功能。采用温度补偿技术减小不同温度下的测量误差,采用FIR数字滤波技术对传感器支架和箱体带来的振动干扰进行滤波,并采用梯度下降算法校正拉力传感器参数,提高测量精度。实验结果表明,该系统可实时在线检测矿用乳化液浓度,检测值和标准值的最大误差为1.5%,满足煤矿生产要求。