基于神经网络自适应滤波器的数字化电能计量故障检测方法

为了提高数字化电能计量表故障检测的准确性,研究一种基于神经网络自适应滤波器的数字化电能计量故障检测方法。利用电流传感器、电压传感器以及功率传感器采集三种数字化电能计量装置运行数据并实施去噪和归一化处理。提取数据的时域和频域两类四种特征参数,包括方根幅值、偏斜度、频谱幅值、均方根频率。以特征为输入,神经网络自适应滤波器训练后,实现数字化电能计量故障检测。结果表明:检测结果的Z值均在8以上,说明检测结果更接近所设置的真实故障类型,检测更为准确。

非线性时空正则化的相关滤波目标跟踪算法

针对目标跟踪过程中跟踪模型容易漂移,以及对于多样性形态变化的目标不能进行鲁棒跟踪的问题,结合生物视觉感知规律提出了非线性时空正则化的相关滤波目标跟踪算法。在目标函数中提出贴近人类视觉感知幂定律的非线性滤波更新的时间正则项,相比于时空正则相关滤波器(spatial-temporal regularized correlation filters,STRCF)中固定的时间正则项,非线性滤波更新的时间正则项可以根据跟踪的时间变化进行自适应更新,同时采用交替乘子法降低算法复杂度。提取非线性的梯度方向直方图(histogram of oriented gradient,HOG)特征,使用符合生物映射的对数极坐标进行尺度适应。根据最大响应值与平均峰值相关能量的关系进行遮挡异常检测,降低模型漂移的机率,增强算法的抗遮挡能力。实验结果表明,该算法在OTB2015数据集上的精确率和成功率分别达到89.8%和83.3%,该算法相比于STRCF在精确率上提升了2.5%,在成功率上提升了3.2%,在OTB2013与OTB2015数据集上的11种属性的分类对比中,该算法在旋转、低分辨率、背景杂乱、光照变化等因素干扰下的目标跟踪中具有较高的精确率和较强的鲁棒性。

神经网络自适应非线性滤波器及在线故障检测

提出一种BP神经网络在线自学习方式及用该方式建立自适应非线性滤波器的方法,并提出了基于该BP滤波器对机器人系统进行在线实时状态跟踪、预报和突变性故障检测的方法。为了快速、正确地检测出故障,设计了一复合故障检测策略。对所提方式、方法及策略进行了仿真验证。

非线性系统的神经网络自适应滤波器

针对一类具有未知非线性函数和未知虚拟系数的二阶非线性系统 ,提出了一种神经网络自适应滤波跟踪方法。用RBF神经网络估计出系统中不确定项 ,将神经网络与滑模控制方法相结合 ,用李雅普诺夫稳定性分析方法证明了滤波器内的所有信号均有界。选择的神经网络权值调整规律可以消除颤振 ,抑制外部随机干扰。

制冷站双目标权重自适应非线性预测控制

针对传统制冷站控制系统易产生振荡,且无法实现系统性能整体优化的问题,本文提出一种制冷站非线性预测控制策略,优化目标函数设计为满足建筑冷量需求的同时,尽可能提高系统整体能效.为解决上述两个优化目标之间的矛盾关系,本文采用模糊逻辑设计了优化目标权重自适应模块,实时求取权重因子最优解;针对非线性系统在线优化求解困难问题,本文提出了基于神经网络的非线性滚动优化算法,采用神经网络作为反馈优化控制器,并将系统优化目标函数作为在线寻优性能指标,结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进行在线寻优,算法计算量小,占用存储空间适中,便于采用低成本的现场控制器实现制冷站预测控制.仿真实验结果表明,本文所提出的预测控制策略与PID控制相比,在未加入优化目标函数权重自适应模块情况下,系统平均能效比提高约32.5%;进行优化目标函数权重自适应寻优后,系统平均能效提高约39.43%.

基于数据驱动自适应变分非线性chirp模态分解的瞬时频率识别

为降低初始频率和信号噪声对变分非线性chirp模态分解(variational nonlinear chirp mode decomposition,VNCMD)的影响,提出了一种基于数据驱动自适应变分非线性chirp模态分解(data-driven adaptive variational nonlinear chirp mode decomposition,DDAVNCMD)的方法。通过模态能量占比确定响应信号的模态个数,同时采用导数归一化算法初步估算模态分量的初始频率,并添加迭代时变滤波器来降低噪声的影响,在此基础上再对响应信号进行VNCMD。通过单分量和多分量解析信号及拉索结构试验对所提方法进行验证。研究结果表明,基于DDAVNCMD的瞬时频率识别方法具有较好的准确性和抗噪性。

基于神经网络的非线性滤波残差估计非均匀校正算法

目前由于非均匀性技术的限制,红外焦平面阵列具有条纹非均匀性,这种非均匀性一般是一种固定的模式噪声,它会在原有非均匀性的基础上随着时间和温度的变化而变化。传统的残差计算忽略了非均匀性的特点,场景细节的变化会被误认为非均匀性而被过滤掉。提出了一种基于场景的条纹非均匀性校正算法。该方法采用非线性滤波的方法滤除单柱图像的非均匀性,并计算与原始图像的实际残差,然后利用前一帧的预测残差和实际残差得到当前残差。最后,根据场景鬼影抑制参数自适应校正计算增益系数和偏置系数。实验结果表明,提出的算法在200帧测试图像中滤除了61.3%的非均匀性,与其他自适应校正算法相比,非均匀性校正效果更明显,并且在一定程度上有效地保护了图像边缘,收敛速度快,质量高,能有效去除列条纹和非均匀随机噪声。

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论，具有神经网络分布式并行信息处理，较好的容错特性和鲁棒效应等优点，且比传统的滤波器有更好的收敛特性，并可方便地实现非线性滤波。此外，还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。

未知非线性多智能体系统的分布式有限时间自适应神经网络控制

针对一类具有未知磁滞输入的非线性多智能体系统,提出了一种基于改进命令滤波器的分布式预设性能自适应神经网络渐近一致控制方案。首先,为保证系统的跟踪性能,提出了基于新型性能函数的有限时间Funnel控制方案,使得跟随者与领导者在有限的时间内输出一致。其次,利用径向基神经网络和放缩方法消除了未知非线性的影响。然后,使用命令滤波器解决了传统递归方法的“微分爆炸”难题。理论分析表明:该控制方案消除了未知磁滞输入的影响并且实现了一致性误差渐近收敛至0。最后通过实例仿真验证了文中控制方案的有效性。

一种抑制直扩通信窄带干扰的新型非线性自适应预测滤波器

为了更有效地抑制直接序列扩频通信中的窄带干扰，论文提出了一种非线性Laguerre滤波抑制直扩频通信窄带干扰的方法，给出相应的自适应算法。该方法利用具有IIR和FIR滤波器特点的Laguerre时延单元构造非线性自适应预测滤波器。该方法可以使预测器的记忆深度与预测器的阶数解偶，以更少的阶数达到更优的抑制性能。仿真实验结果表明：与Vijayan和Poor传统非线性自适应预测滤波器相比，该滤波器能够保证均方误差的收敛稳定性，并能在信噪比改善提高1-2dB的前提下，使滤波器阶数降低为原来的1／3～1／5，具有一定的现实意义。

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Ｖｏｌｔｅｒｒａ滤波预测器基础上，提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种ＮＬＭＳ类型的自适应算法来实时调整这种非线性滤波预测器的系数。仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混沌时间序列，且它的模块化特征更易于ＶＬＳＩ电路实现，具有广泛的工程应用价值。

基于自适应Volterra滤波器的非线性系统辨识

为了识别非线性系统的参数,本文提出了一种基于自适应Volterra滤波器的非线性系统辨识方法。给出了自适应Volterra滤波器的LMS和RLS算法。数值仿真结果表明,该方法对于非线性定常和时变系统都有效。

无轴承异步电机非线性滤波器自适应逆解耦控制

针对无轴承异步电机(bearingless induction motor,BIM)多变量、非线性、强耦合的问题,提出了基于非线性自适应滤波器的无轴承异步电机自适应逆解耦控制策略。在分析了无轴承异步电机工作原理的基础上,推导出无轴承异步电机的数学模型,基于自适应逆控制原理,利用非线性自适应滤波器,分别建立转矩系统和悬浮系统的模型和逆模型。复制逆模型,将其串联在对应系统之前作为逆控制器,并采用变步长最小均方(least mean square,LMS)算法在线调整权值。相比于传统的磁场定向控制方法,此方法不必依靠转矩系统来传递磁链信息,从而避免了各自的控制策略之间的相互制约问题。基于MATLAB/Simulink仿真平台,对无轴承异步电机的转子磁链、转速、转矩、悬浮响应进行了仿真分析。仿真结果证明了该方法的有效性,实现了无轴承异步电机旋转力与悬浮力之间的解耦,而且能够实现两自由度径向悬浮力之间、转速与转子磁链之间的动态解耦。该研究可为基于无轴承异步电机的农业生产设备的研发提供参考。

基于强跟踪滤波器的改进非线性自适应观测器

对基于强跟踪滤波器的非线性自适应观测器(nonlinearadaptiveobserver,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件。提出了一种改进非线性自适应观测器(modifiednonlinearadaptiveobserver,MNAO)算法。MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO。数值仿真示例显示了本方法的有效性。

基于自适应切比雪夫滤波器的非线性有源噪声控制

提出一种基于自适应切比雪夫滤波器的非线性有源噪声控制算法FCLMS。FCLMS算法使用传统的Fx LMS结构,将初级噪声使用第一类切比雪夫多项式展开,进而拟合该信号,而后使用LMS自适应算法进行噪声控制。该算法的计算复杂度低于2阶VFx LMS和1阶FS LMS算法。在不同的仿真模型下的仿真结果表明,该算法控制效果均达到或优于VFx LMS和FS LMS算法,且收敛速度快。

自适应CRBF非线性滤波器及其改进学习算法

传统的随机梯度算法由于采用基于二阶统计量的平方误差代价函数,因此含有的信息量较少,难以实现更高的精度。针对此问题,以基于高阶统计量的指数平方误差作为代价函数,结合基于两层RBF网络凸组合的非线性自适应滤波器,提出了最小指数平方误差自适应学习算法。非线性系统辨识和非线性信道均衡的实验仿真结果表明,该改进算法的收敛性能明显优于传统的随机梯度算法。

一类基于神经网络非线性随机系统自适应滤波

给出非线性MIMO随机系统可观性定义和条件,将非线性SISO确定性系统局部可观性理论拓展到非线性MIMO随机系统.基于这一理论在系统模型和噪声统计未知情况下,提出一类基于神经网络的非线性离散随机系统自适应滤波器的设计方法.考虑过程方程的动态特性和输出方程的静态特性,设计了动态神经网络作为系统的滤波器,前馈神经网络作为系统的输出预报器.充分利用已知观测信息训练两个神经网络,从而提高了状态估计的精度.该方法克服了扩展Kalman滤波要求模型和统计特性精确已知的不足.仿真例子验证了所提出的估计方法的有效性.

基于自适应神经网络的二维线性相位FIR滤波器优化设计

提出一种基于自适应三角函数基神经网络的二维线性相位FIR滤波器优化设计方法。该方法根据二维线性相位FIR滤波器幅频响应特性,采用三角函数基神经网络优化算法计算滤波器系数,同时在神经网络训练过程引入自适应学习率算法,提高神经网络的学习效率和收敛速度。通过训练神经网络的权值,使二维线性相位FIR滤波器幅频响应与理想幅频响应之间的误差平方和最小。文中给出了二维线性相位圆形低通滤波器优化设计实例,仿真结果表明,该方法设计二维线性相位FIR滤波器具有运算量小、速度快和稳定性好等优点。

基于小波萎缩法的非线性自适应数字滤波器的设计

本文中,将小波萎缩法应用于非线性自适应数字滤波器的设计,介绍利用基于离散正交小波变换的小波萎缩迭代滤波方法,设计出非线性自适应小波萎缩滤波器的模型文中给出了非线性自适应小波萎缩滤波器的一个消噪实例,证实了非线性自适应小波萎缩滤波器鲁棒性好的特性。

AFBCNet:一种基于自适应滤波器组的运动想象卷积神经网络

脑电图(EEG)的解码与分类一直是脑-机接口技术(BCI)领域的研究热点之一。虽然基于深度学习的方法已经取得了相当优异的成绩,但是在多分类、小样本数据集上,设计一个可解释性高、学习快、解码准确且精度高的模型仍然是一个挑战。为了深度解码基于运动想象(MI)的EEG信号,提出了一种基于自适应滤波器组的运动想象卷积神经网络:AFBCNet。首先通过自适应滤波器组与空间卷积层对MI-EEG信号的最优频带组合进行时空分解,然后通过改进的轻量化Inception模块进行特征提取,最后进行特征整合与分类。实验结果表明,所提出的方法在BCICIV_2a和BCICIV_2b数据集上平均识别率达到81.82%和84.13%,并且具有良好的鲁棒性与迁移能力。