基于局部均值分解和归一化最小均方的宽频振荡检测方法

为精确采集和分析电力系统宽频振荡信号,提出基于改进局部均值分解与归一化最小均方算法相结合的宽频振荡检测新方法。首先利用归一化最小均方算法对宽频振荡信号进行降噪处理,进而采用改进局部均值分解算法提取该降噪信号的乘积函数;然后对上述乘积函数分量进行希尔伯特变换,求解信号瞬时频率的高频突变点,实现对振荡起止时刻的准确定位。仿真实验表明,本文所提方法能准确求解宽频振荡信号,且在强噪声下仍具有很高的精度。

基于改进变步长最小均方算法的心电图信号去噪

针对定步长和现有变步长最小均方(LMS)自适应滤波算法对心电图(ECG)信号去噪效果较差的问题,提出一种基于分式函数改进的变步长LMS算法。首先利用分式函数构造出改进的变步长LMS算法的步长函数式,通过理论和仿真分析得到该算法参数的最佳取值,并在相同条件下与定步长和其他变步长LMS算法进行性能对比,验证了该算法具有更快的收敛速度、更低的稳态误差和更小的计算复杂度。然后将该算法与定步长和其他变步长LMS算法在相同条件下对含多种真实噪声的ECG信号进行去噪效果对比。实验结果表明,相比于其他算法,该算法能更好地去除ECG信号的噪声,且去噪后ECG信号的信噪比最大,均方误差最小,Pearson相关系数最接近于1。

基于双曲正切函数框架的最小均方算法

自适应滤波器在自适应控制、噪声消除、信道均衡、系统辨识以及生物医学等领域的应用中发挥着重要作用。由于其简单性、低计算量和易于实现等特点,其中最流行的自适应滤波算法是最小均方(Least Mean Square,LMS)算法。传统的LMS算法在处理高斯信号时具有良好的收敛性能,然而,针对非高斯信号的处理,自适应LMS算法的收敛性较差,甚至无法收敛。为了改进LMS算法在非高斯噪声干扰下的收敛性,本文通过将传统的LMS算法的代价函数嵌入到双曲正切(Hyperbolic Tangent)函数框架中设计了一种新的代价函数,从而提出了一种鲁棒的双曲正切最小均方(Hyperbolic Tangent Least Mean Square,HTLMS)算法。此外,针对HTLMS算法存在收敛速度与稳态误差相矛盾的问题,本文设计了一种可变λ参数的双曲正切最小均方(Variableλ-parameter Hyperbolic Tangent Least Mean Square,VHTLMS)算法。仿真结果表明,在系统辨识应用场景中,与LMS算法、最大相关熵准则(Generalized Maximum Correntropy Criterion,GMCC)自适应滤波算法和对数双曲余弦自适应滤波器(Logarithmic Hyperbolic Cosine Adaptive Filter,LHCAF)算法相比较,本文提出的HTLMS算法和VHTLMS算法在冲击噪声干扰下具有良好的鲁棒性、更快的收敛速度和较小的稳态误差。

基于最小均方误差对数谱幅度估计的心音降噪算法

将基于最小均方误差对数谱幅度估计的语音增强算法用在心音降噪中,该方法基于统计模型方法将降噪归于统计框架中,通过对带噪心音信号进行最优幅度谱估计,最小化估计心音与干净心音的差异来去除噪声,恢复原始的信号。实验结果表明,本文算法有效改善了心音信号的时频特征,并在后续的心音分类算法中获得了更高的准确率。本文方法在心音降噪中表现优秀,对电子听诊器、心脏病自动检测技术的发展具有重要意义。

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘(RLS)为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差(NLMS)准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt(LM)训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。

最小均方自适应滤波器设计及性能影响因素分析

同步相量测量单元是全局同步时钟下实现电网中电压和电流信号同步相量、频率和频率变化率测量的仪器,但信号中通常包括大量噪声,对其应用造成较大影响。本文在数字滤波器基础上提出最小均方自适应滤波器,阐述了最小均方自适应滤波器基本原理和计算方法,通过算例分析了步长参数、滤波器阶数、信噪比变化对最小均方自适应滤波器收敛速度、系统跟踪速度和稳态误差等指标的影响,揭示了其变化规律。

基于最小均方和递归最小二乘的自适应滤波器设计

本文首先研究了自适应滤波器的基本原理、系统组成结构以及实际应用,深入分析了基于最小均方误差准则的LMS算法和基于最小二乘准则的RLS算法;分析了两种算法的优点以及缺点.其次在自适应滤波算法的基础上,对于消噪算法重点分析了结构、性能以及衡量指标.对于传统的自适应噪声抵消提出了一种自动追踪最佳滤波器参数的实现方法,经过验证,经过算法后可以有效地寻找对应噪声的自适应滤波器的最佳阶数和步长.

用于恒模数字信号的变步长归一化最小均方算法

为全面分析用于数字信号的最小均方(LMS)算法性能,提出了一种新的性能评估参数———误码率.为了提高LMS算法性能,提出了一种新的变步长归一化LMS自适应算法,该算法步长在启动阶段主要由瞬时误差控制,以加速收敛,在收敛阶段主要由其历史值来决定,以获得低的误码率,而切换条件是基于短时均方误差值.与已有类似的变步长LMS算法相比,在几乎不增加算法复杂度的情况下,具有更快的跟踪速度、更低的比特误码率,特别是其控制参数在观测噪声强度发生变化时不需重新调整.计算机仿真效果支持了理论分析.

带零吸收项的变步长l_0范数归一化最小均方误差算法

针对稀疏系统的识别问题,提出一种带零吸收项的变步长l0范数约束归一化最小均方误差(l0-NLMS)算法。在此改进的l0-NLMS算法中,通过箕舌函数来调整步长的变化,理论推导了此l0-NLMS算法在均值和均方差下的收敛条件以及均方误差和均方偏移量的表达式。设计实验分别比较在不同输入信号时算法的步长和稳态偏移量的变化,通过仿真验证该算法在识别稀疏信道模型上是有效的。分析结果表明:当处于相对高的信噪比、低的信噪比、输入不相关信号和输入相关信号时,该算法具有较快的收敛速度,能很好地进行稀疏系统的模型识别。

鲁棒总体均方最小自适应滤波:算法与分析

本文研究了在输入输出观测数据均含有噪声的情况下如何有效地进行鲁棒自适应滤波的问题 .以总体均方误差 (TMSE)最小为准则 ,基于最速下降原理 ,通过对总体均方误差梯度进行修正 ,提出了一种鲁棒的总体均方最小自适应滤波算法 .通过与已有算法的对比分析表明 ,该算法能够有效地降低权向量的每步调整量对噪声的敏感程度 .仿真实验的结果进一步表明 ,该算法的鲁棒抗噪性能和稳态收敛精度明显地高于其它同类方法 ,而且可以使用较大的学习因子 ,在高噪声环境下仍然保持良好的收敛性 .

基于最小均方误差的圆弧分段曲线拟合方法

提出了一种基于最小均方误差准则的圆弧分段曲线拟合方法。该方法采用自适应高斯滤波器对原始曲线进行平滑处理以消除噪声影响 ,并提出了一种适合于圆弧曲线拟合的分段算法。在该算法的基础上根据最小均方误差准则 ,以圆弧作为基元对曲线进行拟合。实验结果表明 ,该方法能够较好地消除噪声影响并保留曲线的局部特征。

基于最小均方自适应滤波器的热工过程建模方法

针对热工对象的时变性特点及其在运行过程中易受到不确定性干扰的影响,提出一种基于最小均方(least mean square,LMS)自适应滤波器的热工过程建模方法。LMS滤波器以未知对象的输入和输出作为激励和期望信号,通过最速下降法得到未知对象的有限脉冲响应(finity impluse response,FIR)模型,其与差分方程或传递函数是等价的。实验仿真和某电厂实际运行数据验证了该算法的有效性。这种建模方法避免了复杂的机理分析,其抽头权值的分布可以表征热工对象的动态特性,为分析热工对象提供了一种手段。

利用K-L域惩罚加权最小均方平滑对低剂量CT投影数据进行噪声滤除(英文)

通过对校准的低剂量CT投影数据的噪声特性进行分析,发现该噪声可用高斯分布近似,但其方差与信号本身有关,且信号与方差间的关系是非线性的。基于上述发现,我们选择惩罚加权最小均方平滑架构作为此类问题的最优解法之一。该方法可利用均值-方差间关系等先验知识来构造加权矩阵,并利用二维局部空间信息来构造惩罚项或正则算子。同时,为了进一步利用不同角度或切片间的空间相关关系,我们首先对投影数据沿角度或切片方向进行K-L变换,然后再对变换后的投影数据进行惩罚加权最小均方平滑,从而亦使原来的三维滤波问题简化为二维滤波过程。通过选择适当的邻域,K-L域惩罚加权最小均方平滑方法可充分利用先验统计知识及三维空间信息,对被噪声污染的低剂量CT投影进行更为准确的恢复。实验结果表明,当选取适当的控制参数,在投影数据的噪声滤除效果上,上述方法远较传统的低通滤波器为优。

衰减激励条件下递阶最小二乘辨识的均方收敛性

为减少递推辨识的计算量 ,提出了递阶辨识原理 ,它是将系统分解为多个维数较小的虚拟子系统进行辨识 ,从而获得递阶最小二乘辨识方法。在衰减激励条件下 ,针对时不变系统研究了递阶最小二乘法的收敛性 ,得到了参数估计误差均方收敛于零时衰减指数应满足的条件。递阶最小二乘具有良好的性能 ,其计算量比递推最小二乘辨识要小得多 。

均方误差意义下正则化解优于最小二乘解的条件

利用矩阵理论导出了均方误差意义下正则化解优于最小二乘解的条件 ,构造了相应的检验统计量 。

基于最小均方delta规则的神经网络工件识别

工件识别技术在自动化制造业、产品检测等工业生产中的应用越来越广泛.应用机器视觉技术,获取各类工件的图像,提取工件的面积与各向异性作为工件特征(具有旋转不变性);提出了一种基于最小均方delta规则的神经网络工件识别方法,先对8组特征进行离线训练,计算最优权值向量,使感知机对各类工件的分类误差均达到最小,然后在线识别传送带上的工件.在LabVIEW编程环境下,实现了工件的特征提取与基于该方法的工件识别,实验结果证明该识别方法准确可靠,可实时地识别生产线上的工件.

应用于卫星导航功率倒置阵的改进最小均方算法

采用功率倒置准则的自适应天线阵特别适合于弱信号、强干扰的场合,因而在卫星导航系统中得到了广泛的应用。针对基于最小均方算法实现的卫星导航功率倒置阵在干扰数目或干扰功率突然减少时,算法收敛慢、影响信号接收性能的问题,分析了这一现象的产生机理,并提出了相应的改进算法。改进算法通过功率监测来检测干扰数目或干扰功率的突变,然后对最小均方算法进行复位处理重置权值来达到迅速收敛的目的。仿真结果表明:与原算法相比,改进算法可显著提高功率倒置阵的收敛速度。

采用最小均方误差筛选参数的Hough变换及应用

为了在含有大量噪声的图像中精确地检测形状,提出了采用最小均方误差筛选参数的Hough变换方法:首先采用Hough变换投票得到参数空间上的投票值,然后初步筛选出所有投票值大于投票阈值的参数,再分别计算这些参数对应图像在边界图像中的均方误差,最后选择其中均方误差最小的一组参数作为最后的检测结果.将该方法与取最大投票值的Hough变换分别应用于虹膜外边缘定位并相互比较,实验结果表明,该方法抗噪声能力更强,适用范围更大,得到的结果更加合理.

最小均方误差判决和自适应判决反馈均衡器的设计实现

介绍了基于 FIR和 IIR的采用最小均方误差 (MMSE)算法的判决反馈均衡器 ,针对该算法的缺点提出了两种采用自适应算法的判决反馈均衡器 :LMS算法和 CMA算法 ,对这些算法的仿真表明了各自的性能和优缺点 ,在此基础上提出了一种改进的混合算法 .仿真表明 ,该算法只需要少量的训练序列 ,性能比 CMA算法有明显的改进 .

改进的最小均方自适应滤波算法

针对传统的固定步长最小均方(LMS)算法应用于雷达杂波自适应滤波器系统存在收敛速度与收敛精确度相矛盾的问题,提出一种新的变步长LMS自适应滤波算法。在其基础步长迭代公式中,通过组合自相关误差与前一步长因子来实时更新迭代下一步长因子的方法,达到具有较快的收敛速度和较小的失调,并且不受已经存在的不相关噪声的干扰的效果。仿真结果表明,所提方法的实验效果与传统固定步长LMS算法及已有算法相比,在收敛速率、收敛精度、抑制噪声方面都有很大的改善,证明所提算法是有效、可行的,且与理论分析一致。