基于最小误差熵的分布式算法研究

非高斯冲击噪声在生活中无处不在,严重影响了基于分布式估计的自适应滤波算法的性能。由于最小误差熵(Minimum Error Entropy,MEE)在处理非高斯问题时明显优于以最小均方误差(Mean Square Error,MSE)为代价函数的算法,为此将最小误差熵准则和分布式扩散算法结合,引入比例矩阵的思想,提出了一种基于最小误差熵准则的分布式扩散比例算法(Diffusion Proportionate MEE,DPMEE)。该算法不仅可以抑制非高斯噪声的干扰,还可以增加其对稀疏度不同的系统的适应性。实验结果表明,与传统分布式算法相比,该算法在脉冲噪声干扰下的性能得到大幅度提高,且具有较强的鲁棒性和跟踪能力。

基于最小误差熵的有源脉冲噪声控制算法

有源噪声控制(ANC)基于相消干涉的原理,能够有效降低低频噪声的影响。传统的ANC方法为滤波x最小均方(FxLMS)算法,该算法由于结构简单、易于实现,在实际中得到广泛应用。FxLMS假设环境中的噪声属于高斯噪声,但是许多实际环境中的噪声呈现脉冲噪声的特点。FxLMS方法利用二阶矩,但是在脉冲环境中由于误差的方差不存在,因此传统的FxLMS算法降噪性能下降,甚至造成系统的不稳定。最小误差熵(MEE)自适应滤波算法对脉冲信号鲁棒,将其应用到ANC系统,提出Fx MEE算法以应对环境中的脉冲噪声。仿真结果表明提出的方法在不同脉冲环境下相比于现有的算法均能实现较好的降噪性能。

基于Logistic快速最小误差熵算法的配电变压器停电预测

为了提高配电变压器停电预测的速度和准确性,提出了一种基于Logistic快速最小误差熵算法的配变停电预测方法。在最小熵回归算法的基础上,提出了快速最小误差熵算法,基本保持了最小熵回归的回归效果,并且显著地减少了算法的运行时间;针对配变停电预测适用Logistic回归的情况,提出了基于Logistic的快速最小误差熵回归算法,选取配电变压器重过载时长、最大有功负载率、平均有功负载率、平均三相不平衡度以及重三相不平衡度作为配变停电预测的特征变量数据,建立了配电变压器停电预测模型,实验预测结果优于Logistic回归。

基于X射线脉冲星的最小误差熵定姿态方法

提出一种基于X射线脉冲星能量观测信息和最小误差熵算法的航天器自主定姿方法.首先建立了圆形准直器差分测量模型,观测两颗脉冲星的辐射光子能量.然后引入信息熵概念来充分表征脉冲星辐射信号的随机性,用最小误差熵原理进行参数拟合,解出脉冲星在航天器坐标架下的方向矢量,通过矢量定姿法解算出航天器在参考坐标系中的完整姿态.最后结合美国国家宇航局HEACARC数据库提供的脉冲星观测数据进行了仿真试验,结果表明:在所给试验条件下,基于最小误差熵方法的参数估计精度要优于常用的最小二乘法,相比于后者,俯仰、滚动和偏航三轴精度分别提高了31.4%,27.1%和32.5%.

基于改进神经网络PID的主蒸汽温度优化控制研究

针对电厂主蒸汽温度PID串级控制系统参数整定繁琐、自适应性较差的问题,提出一种改进神经网络PID串级控制方法。为了降低主蒸汽温度控制系统的不确定性,基于最小误差熵(MEE)准则训练串级控制中的主神经网络PID控制器,并利用滚动时域窗法递归估计跟踪误差的熵,提升算法运行效率。将主蒸汽温度误差序列和部分可测扰动输入神经网络PID控制器输入层,实现反馈控制与前馈控制相融合,提升控制系统抗干扰能力。通过与采用最小误差平方和(MSE)准则的神经网络PID控制器对比,采用MEE的神经PID控制器可以减小过热汽温的波动,减少控制系统的随机性。

基于最大相关熵准则的网络流量预测

为提高网络流量预测的精度，针对网络流量的非线性特征提出了一种基于新的误差评价准则——最大相关熵准则（MCC）的网络流量预测方法。该方法使用MCC对Elman神经网络进行训练。该评价准则是基于新的相似度函数——广义相关熵（corrent．ropy）函数的概念建立的，此相似度函数以误差概率密度函数的Parzen窗估计和瑞利熵为基础。同时结合MCC和最小均方误差（MMSE）准则提出了一种混合的评价准则MCC-MMSE。针对网络流量的非线性、非高斯性、突变性等特性，分别以MCC、MCC-MMSE准则进行了Elman神经网络的训练，使用训练好的神经网络进行网络流量预测，仿真结果表明预测结果的精度优于以MMSE为准则的Elman神经网络的预测结果。

CAR模型的可变遗忘因子多误差随机信息梯度辨识

CAR模型在过程建模中得到了广泛应用。传统的随机信息梯度算法虽然可以辨识CAR模型,但是算法收敛速度慢、估计精度不高。为解决这一问题,提出了一种带可变遗忘因子的多误差随机梯度算法。首先用信息向量取代信息标量,提出了一种多误差随机信息梯度算法;然后,将误差信息引入遗忘因子,提出一种可变遗忘因子。数值仿真表明,所提算法能够以较快的收敛速度获得精度较高的参数估计值。

基于峭度的可变步长随机信息梯度算法

研究了脉冲噪声下FIR模型的参数估计问题.对于脉冲噪声扰动的模型,基于误差平方准则的辨识算法的性能会变差,为了克服这个问题,提出了一种信息准则梯度算法.该算法基于香农误差熵梯度和Parzen窗估计推导而得出,与平方准则算法相比,该算法可以捕获更多的误差统计信息,并能给出更精确的估计.为了提高算法的速度,将基于峭度的可变步长算法集成到算法中.这种可变步长使用了误差的四阶统计量,可以加快算法的速度.同时,给出了一种确定最大步长的简单方法,数值实验验证了算法的有效性.估计结果表明,该算法能够较好地抑制脉冲噪声,并以较快的收敛速度获得准确的估计.