李晓艳[1]2010年在《基于神经网络的自适应噪声抵消的研究》文中研究说明噪声抵消技术是信号处理领域中的重要部分。基于神经网络的自适应噪声抵消技术能够非常有效消除背景噪声,因为神经网络能够克服传统的自适应噪声抵消器无法解决的两路噪声信号非线性相关的问题。本文主要做了如下几个方面的工作：(1)首先阐述了自适应噪声抵消技术的原理和方法,接着深入研究了自适应噪声抵消技术常用的几种算法,然后分析了与自适应噪声抵消系统性能相关的一些参数。(2)研究了BP学习算法的原理,重点分析了BP学习算法的不足和缺点,研究了改进的BP算法-LM算法原理,将两者从收敛速度和误差函数上做了对比,仿真结果表明改进的算法的收敛速度更快精度更高。(3)在MATLAB环境下设计建立了基于改进的BP算法的自适应噪声抵消的仿真模型,包括以下几个内容：研究了利用一个统一的噪声模型来实现不同的噪声输入,BP网络结构参数的确定,具体为输入层的神经元的结点数由输入样本来确定,输出层的结点数由输出样本来确定,根据Kolmogorov定理,叁层的神经网络可以实现任何一个闭区间的连续函数,因此隐层数取一层,在确定隐层的结点数时,首先根据经验公式取得一个初始值,然后根据网络的实际学习状况进行调整,网络的学习算法采用LM算法。(4)在MATLAB下将基于神经网络的自适应噪声抵消器与基于LMS算法的自适应噪声抵消器分别在两路噪声信号非线性相关和线性相关时进行对比仿真研究。将基于神经网络的系统与基于LMS系统从收敛速度和噪声抵消的效果上进行了性能对比。在噪声抵消效果方面：计算并对比了两个系统消噪后的信噪比改善情况,分析了两个系统去噪后的信号的时域、频域图；在收敛速度方面：对比分析了两个系统的误差收敛曲线。结果均表明：基于神经网络的自适应噪声抵消器的性能更优,基于LMS的自适应噪声抵消器只能抵消两路噪声线性相关的情况,而基于神经网络的自适应噪声抵消器不论是两路噪声信号线性相关还是非线性相关均具有良好的噪声消除能力,而且性能更好。(5)最后本文将实测的实验数据利用基于改进BP算法的自适应噪声抵消器进行了处理,结果表明该系统具有良好的噪声抵消能力。
张艳[2]2004年在《基于BP算法和遗传算法的自适应噪声抵消器》文中认为一、引言自适应噪声抵消技术是一种能够很好的消除背景噪声影响的信号处理技术，应用自适应噪声抵消技术，可在未知外界干扰源特征，传递途径不断变化，背景噪声和被测对象声波相似的情况下，能够有效地消除外界声源的干扰获得高信噪比的对象信号。从理论上讲，自适应干扰抵消器是基于自适应滤波原理的一种扩展，简单的说，把自适应滤波器的期望信号输入端改为信号加噪声干扰的原始输入端，而它的输入端改为噪声干扰端，由横向滤波器的参数调节输出以将原始输入中的噪声干扰抵消掉，这时误差输出就是有用信号了。在数字信号采集、处理中，线性滤波是最常用的消除噪声的方法。线性滤波容易分析，使用均方差最小准则的线性滤波器能找到闭合解，若噪声干扰类型为高斯噪声时，可达到最佳的线性滤波效果。在实际的数字信号采集中，迭加于信号的噪声干扰往往不是单一的高斯噪声，而线性滤波器所要求的中等程度噪声偏移，使线性滤波器对非高斯噪声的滤波性能下降，为克服线性滤波器的缺点，往往采用非线性滤波器，所以本文采用神经网络对信号进行滤波处理。二、基于BP算法和遗传算法相结合的自适应噪声抵消器在本文中，作者主要基于自适应噪声对消的原理对自适应算法进行研究，提出了一种新的算法，即BP算法和遗传算法相结合的自适应算法。作者对BP网络的结构及算法作了一个系统的综述，分析了BP算法存在的主要缺陷及其产生的原因。传统的BP网络既然是一个非线性优化问题，这就不可避免地存在局部极小问题，网络的极值通过沿局部改善的方向一小步进行修正，力图达到使误差函数最小化的全局解，但实际上常得到的使局部最优点。学习过程中，下降慢，学习速度缓，易出现一个长时间的误差平坦区，即出现平台。通过对遗传算法文献的分析、概括和总结，发现遗传算法与其它的搜索方法相比，遗传算法（GA）的优点在于：不需要目标函数的微分值；并行搜索，搜索效率高；搜索遍及整个搜索空间，容易得到全局最优解。所以用GA优化BP神经网络，可使神经网络具有进化、自适应的能力。
马莉, 韩应征[3]2011年在《基于遗传神经网络自适应噪声抵消技术的研究》文中提出自适应噪声抵消技术是减除背景噪声影响的有效处理方式。概述了自适应噪声抵消原理、BP算法及遗传算法等基本理论,结合各自的优点,提出一种基于BP神经网络和遗传算法相结合的自适应噪声抵消系统。该系统中采用遗传算法优化网络权值方式构造遗传神经网络,用遗传神经网络替代传统的自适应滤波器,以此达到更好的噪声抵消效果。使用MATLAB仿真实例,发现其消噪效果显着同时信噪比得到提高。
张艳[4]2007年在《基于BP算法和遗传算法结合的自适应噪声抵消器》文中进行了进一步梳理提出一种基于遗传算法优化BP网络结构的自适应噪声抵消器,BP算法是最典型的多层神经网络学习算法,它在局部搜索时比较成功,但由于BP网络大多采用沿梯度下降方向的搜索算法,因而不可避免地存在收敛速度慢,容易陷入局部极小点等问题。而遗传算法擅于全局搜索,鲁棒性很强,将采用遗传算法优化网络初始权值的方法,将两种算法相结合,做到优势互补。GA与BP算法的混合算法不论是在运行速度还是在运算精度上都较单纯的BP算法有提高,在信噪比的改善程度上,混合算法的信噪比针对余弦信号提高了23db左右。
伭炜[5]2008年在《基于人工神经网络的混合智能系统研究及应用》文中提出本次课题的核心内容和研究思路可概括如下：分析舰艇自噪声的非平稳特征,针对ANC系统的弊端探讨解决方案；设计并完善以人工神经网络为框架的自适应噪声抵消系统；引入模糊逻辑推理思想,设计更加智能化的网络结构；借助多分辨率分析的思想,进一步完善网络的逼近能力和自适应性；引入遗传进化理论,结合强有力的局部算法构造自适应混合学习策略；最后通过仿真试验和真实海试数据处理,系统的验证文中结论。目标信号所处的声场环境,决定了ANC系统的非线性特征,针对待抵消信号的非平稳性,我们在传统非线性滤波的研究基础上,设计人工神经网络作为自适应处理器,依靠其强大的与人脑类似的功能,来解决常规滤波模式的固有缺陷。在系统自适应学习中,神经网络将非线性映射的问题转化为求解优化问题,而优化过程依靠其自学习、并行处理等优势,通过简便的学习算法来实现。RBF神经网络的引入,更使得系统求解复杂、高度非线性的能力大大提高。文中所设计的模型为非线性系统问题的解决奠定了良好的基础,且算法计算的复杂程度适中,具有较高的应用价值。本文采用T-S模糊推理模型构建分段线性模型,作为网络系统的基础构架,将输入空间分为若干个模糊子空间。再通过模糊系统和人工神经网络的等价性特征,把该模糊推理模型表现为一个自适应神经网络的形态,使得该网络系统的所有结点和参数都对应实际意义。同时,再将传统T-S模型与多分辨率理论(MRA)相结合,将WNN放入模糊推理后件中,使得模型中每一个模糊规则相当于一个子小波网络。然后引入新的自适应混合遗传算法,用于网络结构和各个参量的学习修正,以提高系统的运行效率和求解质量。数据处理结果证明这种融合了多项新颖设计思想的混合智能系统(HIS),系统进化的思路清晰易懂,并且有效的提高了系统降噪性能。
刘金凤[6]2008年在《基于粒子群算法的自适应滤波器研究与应用》文中研究说明自适应滤波是数字信号处理技术的重要组成部分,对复杂信号的处理具有独特的功能。在实际的数字信号系统中,迭加于信号的噪声、干扰往往不是单一的高斯噪声,而线性滤波器所要求的中等程度噪声偏移,使线性滤波器对非高斯噪声的滤波性能下降,为克服线性滤波器的缺点,往往采用非线性滤波器,为了适应自适应滤波实时化处理的要求,文中引进了具有高度并行处理能力的人工神经网络来实现非线性自适应滤波。粒子群优化算法是基于群智能方法的演化计算技术,相对其它进化算法,它收敛速度快、规则简单、编程易于实现。针对粒子群优化算法易于陷入局部极值的缺点,本文根据群体适应值标准差引入变异算子对算法进行改进。改进的算法摆脱了局部极值的束缚,提高了非线性优化精度,同时保持了粒子群算法结构简单的特点。文中采用改进的粒子群算法训练神经网络。本文设计了基于粒子群算法的自适应滤波器,并将其应用到噪声抵消器中,对掺杂有噪声的正弦信号进行滤波处理。改进的粒子群优化算法具有很强的处理能力和优化能力,用它优化神经网络的权值,与传统的BP算法相比,达到了提高信噪比的目的同时,还节省大量的学习和计算时间,进一步满足了自适应滤波实时处理的要求。经Simulink仿真实例证明基于粒子群算法的自适应噪声抵消器具有很强的噪声滤除能力。
邵荔[7]2014年在《基于小波分析和神经网络的脑电图检测》文中进行了进一步梳理当病人有脑部疾病或其它神经系统疾病时,医生往往会借助脑电图检查来作为诊断依据。脑电图可以准确的反映很多脑部疾病,尤其对于癫痫,诊断更加准确。脑部疾病患者的脑电波中含有很多异常波形,这些异常波形主要由棘波、棘慢复合波、尖波、尖慢复合波等构成。早期临床上的脑电图检查主要是靠人工来读取识别脑电中的异常波形,这种方法非常费时费力,并且由于伪迹的干扰,脑电图医师判别有时也不尽相同。因此实现脑电图的自动检测有重要的实用价值。至今为止已经出现并应用的脑电自动检测方法有专家系统法、模拟法、独立分量分析法、人工神经网络法、小波分析法等。为了弥补单一方法效果不好的缺点,更好的提高对脑电信号的处理能力,本文把数字信号处理、小波分析、遗传算法和神经网络等方法结合起来应用到脑电信号处理中。首先,研究了数字信号处理技术,并深入研究了自适应滤波器和变步长算法。针对工频伪迹的特点,设计出变步长自适应滤波器过滤工频干扰。其次,研究了小波分解技术,利用小波分解把已过滤工频伪迹的脑电信号分解到不同尺度中,针对不同伪迹的特点研究设计相应的算法滤除伪迹。最后,深入研究了神经网络和遗传算法,基于不同尺度下异常波和伪迹不会完全相同的原理,把分解后的脑电信号输入神经网络进行识别。针对神经网络的不足,设计了遗传算法对神经网络的学习过程进行优化。最终经过测试,本系统能够较准确的识别出脑电图中异常特征波,识别率达到87.2%。
吕艳新[8]2011年在《被动声目标识别理论研究》文中提出本文以智能雷为应用背景,在深入分析和研究典型声目标信号产生机理和特性的基础上,对被动声目标探测与识别的关键技术进行了研究,给出了相应的理论和算法,研究成果可为被动声识别技术的理论发展和工程化提供参考。基于当前技术基础,对典型战场声目标信号特性进行了研究,总结和分析了坦克、直升机、战斗机和装甲车四种典型声目标的信号产生机理和特性。信号预处理是提高识别准确率的重要技术途径,主要研究小波变换和EMD两种信号处理方法对于单传声器和多传声器信号的降噪方法,提出一种基于EMD的自适应噪声抵消算法和两种基于时延矢量封闭准则的多传声器信息融合消噪算法：1)提供了一种新的参考信号选取方法,鉴于EMD分解特性,采用其高频IMF分量作为自适应噪声抵消器的参考噪声输入,与小波全局阈值和分层阈值降噪信号进行对比,实验结果证明该算法具有更好的降噪效果；2)根据多传声器时延估计特性,提出了时延矢量封闭准则,结合多传声器系统小波系数时延估计特性和信息融合理论,提出了多传声器系统的叁角时延矢量误差,并用多传声器综合支持度定义时延阈值,对信号进行滤波；发展了EMD对多传声器信号降噪的算法,借鉴对IMF分量进行加权的消噪思想,依据时延矢量封闭准则计算时延矢量误差,用多传声器综合支持度定义IMF分量有效性的判据,得到IMF函数的权重矩阵,最后根据IMF函数及其权重矩阵得到重构后的信号。理论分析和实验结果表明两种降噪方法均表现出良好的多传声器滤波特性。声信号的特征提取与选择方法是声识别的关键技术之一,主要研究了信号的五种特征提取方法,对所得特征向量进行类别可分性判别,给出各类特征向量的整体可分性、单类目标特征向量可分性及两两目标之间特征向量可分性。在研究过零点特征、AR模型参数、核Fisher判别分析的特征提取方法基础上,提出了一种特征选择方法和两种特征提取方法：1)提出基于距离可分性测度的显着性特征选择方法,首先选择能够反映类别可分性的距离测度对特征向量进行处理,然后构造显着性函数,对可分性测度值进行选择,满足显着性条件的测度对应的特征向量为有效特征向量；2)提出基于EMD和能量比的特征提取方法,非平稳、非线性信号经EMD分解得到平稳、线性的IMF分量,对各个IMF分量进行FFT,求得信号的幅值谱,获得各IMF分量相对于原信号的能量比,对其进行归一化,将归一化后的能量比作为新的特征向量,其类别可分性判据和后续分类识别结果均证明这种特征向量的有效3)提出基于多尺度分频的特征提取方法,根据多尺度理论提出信号频域的多尺度分频思想,将信号在不同尺度频段上的频率进行归整,组成新的特征向量,实验结果表明该方法提供了一种简单有效并适合工程应用的特征提取方法。在声目标识别分类器设计方面,提出一种基于相关性系数的变权模板匹配分类器,选择适于分类识别的相似性系数函数,依据相关性系数通过离线训练获得特征向量的模板及其权重,并设定合适的阈值对目标进行分类；同时将粒子群神经网络和支持向量机两类分类器应用于声目标的分类与识别,并给出最后的分类结果。为了验证本文提出的声识别算法的有效性和工程可行性,研究了声目标识别硬件系统的结构,开发了试验样机,并设计了室内和室外的声速检测试验和信号采集试验,为声识别获得大量试验样本,最后选择适于工程应用的简易识别算法采用试验样机对目标类型进行判别,实验结果证明试验样机具有一定的工程应用优势,可为装备武器做准备。
佚名[9]2006年在《通信》文中进行了进一步梳理TN912006010862CVAAS自适应动态电源管理策略/卜爱国,胡晨,刘昊,李杰(东南大学国家专用集成电路系统工程技术研究中心)//应用科学学报.―2005,23(3).―269～273.在嵌入式和便携式系统的低功耗设计中,动态电源管理(dynam
参考文献：
[1]. 基于神经网络的自适应噪声抵消的研究[D]. 李晓艳. 武汉理工大学. 2010
[2]. 基于BP算法和遗传算法的自适应噪声抵消器[D]. 张艳. 吉林大学. 2004
[3]. 基于遗传神经网络自适应噪声抵消技术的研究[J]. 马莉, 韩应征. 电子设计工程. 2011
[4]. 基于BP算法和遗传算法结合的自适应噪声抵消器[J]. 张艳. 黑龙江科技信息. 2007
[5]. 基于人工神经网络的混合智能系统研究及应用[D]. 伭炜. 哈尔滨工程大学. 2008
[6]. 基于粒子群算法的自适应滤波器研究与应用[D]. 刘金凤. 大庆石油学院. 2008
[7]. 基于小波分析和神经网络的脑电图检测[D]. 邵荔. 西安工业大学. 2014
[8]. 被动声目标识别理论研究[D]. 吕艳新. 南京理工大学. 2011
[9]. 通信[J]. 佚名. 中国无线电电子学文摘. 2006
标签：自动化技术论文; 遗传算法论文; 自适应论文; bp算法论文; 神经网络模型论文; 数据滤波论文; 线性系统论文; 自适应滤波器论文; 系统学习论文; 非线性论文; 算法论文; bp神经网络论文;