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。

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 .

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。

基于X滤波最小均方算法的冲击振动自适应逆控制

针对冲击振动控制的自身特点及已有算法的缺陷,提出了冲击振动的自适应逆控制方法.该方法能够根据不同的负载特性自适应地调节逆控制器参数,在时域实现了冲击振动控制,完全克服了频域方法中低频分辨率低、易产生溢出的问题.同时,针对X滤波最小均方(LMS)算法运算量大、收敛速度慢的缺点,提出了一种快速X滤波LMS算法,运用批处理技术,使码元间的平均计算量减小.试验表明,该方法使控制精度提高了约50%,明显优于已有的控制方法.

采用最小均方算法的自适应横向滤波器

文章首先简单介绍了LMS算法和采用此算法的系统结构图,随后分别给出了MATLAB和SIMULINK的具体实现及其运行结果,最后针对迭代步长对系统性能的影响情况进行简明的讨论。结果证明,采用LMS算法得出的结果与准确值的偏差在工程上完全可以接受,并且算法容易实现。

基于均方误差最小的卡尔曼滤波实用算法

卡尔曼滤波在各种动态数据处理中应用广泛,为了使滤波结果更加接近实际情况,在经典卡尔曼滤波的基础上,提出均方误差作为评价标准的卡尔曼滤波实用算法。通过经典卡尔曼滤波和该算法对数据处理结果的分析,表明该算法的滤波结果更加有效。

一种新的变步长最小均方自适应滤波算法

将步长因子μ与误差信号e(n)和测量噪声方差σN2之间的一种函数关系引入自适应滤波器,提出了一种变步长最小均方自适应滤波算法。与已有算法相比,本文算法的步长因子更易于设计和控制。仿真结果表明本算法具有很好的收敛性能,同时也证实了本文算法的有效性。

基于块自适应滤波的核最小均方算法

核最小均方(KLMS)算法在非线性系统中收敛性能较好,但其使用瞬时梯度估计均方误差梯度,导致随机性较大。而块自适应滤波理论利用多个输入-输出的误差来估计均方误差梯度,可降低KLMS算法稳态误差。为此,将块自适应滤波理论运用到KLMS算法中,提出核块最小均方(KBLMS)算法,根据最陡下降法原理推导出KBLM S权矢量更新公式,使用核方法计算得到滤波器输出表达式,并通过并行处理减小算法计算复杂度。仿真结果表明,KBLMS算法可有效提高KLMS算法的稳态性能,并且相比块最小均方算法具有更低的误码率。

基于最小均方算法的自适应有限长滤波器设计仿真

本文主要介绍最小均方算法的性能特点。基于最小均方算法的自适应滤波器电路结构简单且实时跟踪性能好。自适应滤波器的重要特性就在于它能够在未知环境申有效工作并能够跟踪输入信号的时变特性。理论分析和仿真结果表明，在低信噪比的前提下，自适应滤波器具有良好的信号处理性能，并对系统发生的突变表现出较强的鲁棒性。

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。

基于广义最小均方的自适应递归滤波算法

本文提出了一种广义最小均方(GLMS)算法,分析了GLMS算法的性能,并根据GLMS算法,导出一种自适应递归滤波(ARF)算法。在推导中,ARF算法避开了超稳定定理,从而考虑自适应系统的严格正实条件和Popov不等式是不必要的。计算机模拟表明ARF算法具有很高的收敛速度。

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.

小波包变换结合最小均方自适应滤波算法

考虑到小波包变换与最小均方(LMS)自适应滤波算法各自所独具的一些优点,将它们结合起来共同用于导弹引信的滤波抗干扰。通过Matalab仿真结果表明,这种方法能够取得比较好的滤波效果。

基于滤波最小均方算法的簇绒地毯装备噪声主动控制

为降低纺织车间簇绒地毯装备的低频噪声,将噪声主动控制的滤波最小均方算法(FXLMS)引入纺织机械噪声控制领域。以英国柯贝尔1/8针距簇绒地毯织机为研究对象,建立了噪声主动控制系统模型,根据现场情况布置传感-作动单元;并运用双传声器离线通道辨识方法估计初级和次级通道传递函数;针对前馈控制策略引起的次级声反馈现象,选用参量阵扬声器作为次级声源减轻该现象对噪声控制系统稳定性的影响。最后对簇绒地毯织机噪声的主动控制仿真研究和实验验证了该方法的可行性和有效性。实验结果表明:簇绒地毯织机采用的主动噪声控制方法对低频段噪声的控制效果较中高频段好,簇绒地毯织机噪声主要频率点的噪声消声量最大可达9.8 dB。

基于中值滤波的分布式扩散最小均方算法

研究无线传感网潜在的恶意攻击节点对系统整体估计性能的影响,从节点选择的角度入手,改进原有扩散最小均方算法的融合步骤。针对接收到的相邻居节点估计值采用中值滤波处理,替代原来的融合方法,以降低恶意攻击节点对整个网络的影响。通过改变恶意节点攻击强度或恶意节点度,对改进算法进行仿真,结果显示全局均方偏差值有所降低,且改进算法对恶意节点攻击强度和恶意节点度的改变并不敏感。

一种变步长的零吸引归一化自适应滤波算法

为了使最小均方算法对高斯噪声环境和稀疏系统具有更好的收敛速度和稳态误差,提出了一种变步长的零吸引归一化最小均方算法。该算法将改进的Versoria函数的稀疏感知范数与归一化最小均方算法相结合后,引入了一种新的类高斯函数的变步长策略,解决了固定步长条件下算法收敛速度较慢、跟踪性能较差的问题。从理论层面分析了所提算法的收敛性,并基于MATLAB平台讨论了改进的类高斯步长函数中各参数对算法性能的影响。最后将所提算法与其他同类算法应用于不同信噪比条件下的高斯噪声环境以及稀疏环境中进行未知系统辨识实验,仿真结果表明,所提算法具有更快的收敛速度、更好的跟踪能力以及较小的稳态误差。

基于噪音拟合的优化变步长滤波最小均方算法

为了更快地实现主动降噪,设计了噪音多项式拟合模型,提出了改进的变步长滤波最小均方算法(Improved Filtered-x Least Mean Square,IFxLMS)。该算法在统计噪音信号的同时,对噪音信号进行拟合与预测,随后结合误差信号与预测信号对步长进行调节,达到快速调节的目的。为了验证该算法的性能,将该算法与传统变步长滤波最小均方算法对比试验,仿真结果显示,在相同噪音条件下,新算法将噪音信号降到10 dB、20 dB、30 dB、35 dB等信噪比时,所需的迭代次数减少了4次~60次不等,在同时新算法的鲁棒性也优于普通的滤波变步长最小均方算法。

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。

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%。

一种新的自适应最小均方算法及其应用研究

介绍了一种新的变步长最小均方自适应滤波算法。该算法具有较快的收敛速度和较小的失调,并且具有计算量小、不受其它不相关噪声干扰等特点。通过计算机仿真分析,证明了其理论计算与实验结果相符。算法应用于电量参数的测量,也使测量的精度得到较大的提高。