基于粒子群算法的自适应滤波器研究与应用

论文摘要

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,叠加于信号的噪声、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。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 前言
• 第一章 概述
• 1.1 自适应滤波器发展及其应用
• 1.1.1 自适应滤波器的发展
• 1.1.2 自适应滤波器的应用现状
• 1.2 神经网络的研究现状与发展趋势
• 1.2.1 神经网络发展
• 1.2.2 神经网络应用
• 1.2.3 发展趋势
• 1.3 粒子群优化算法概述
• 本章小结
• 第二章 自适应滤波器
• 2.1 自适应滤波器的基本原理
• 2.2 FIR 横向自适应滤波器
• 2.3 最小均方误差（LMS）算法
• 本章小结
• 第三章 粒子群优化算法
• 3.1 原始粒子群优化算法
• 3.2 标准粒子群优化算法
• 3.3 粒子群优化算法的参数选取
• 3.3.1 惯性权重
• 3.3.2 群体规模和粒子的维度
• 3.3.3 学习因子
• 3.3.4 最大速度
• 3.3.5 终止条件
• 3.4 算法流程
• 3.5 算法收敛性分析
• 3.6 抑制局部最优的粒子群优化算法
• 3.6.1 RPSO 算法的设计原理
• 3.6.2 算法仿真实验及结果分析
• 3.6.3 结论
• 本章小结
• 第四章 基于粒子群算法的自适应滤波器
• 4.1 神经网络
• 4.1.1 神经元模型
• 4.1.2 多层前馈网络与BP 算法
• 4.1.3 BP 网络有关的几个问题
• 4.2 基于粒子群优化的神经网络学习算法
• 4.2.1 算法设计思想
• 4.2.2 算法的基本步骤和流程
• 4.2.3 算法的性能评价指标
• 4.3 基于粒子群算法的自适应滤波器的设计
• 本章小结
• 第五章 基于粒子群算法的自适应噪声抵消器
• 5.1 自适应噪声抵消器的组成
• 5.2 仿真实验
• 5.2.1 BP 算法仿真
• 5.2.2 RPSO 算法仿真
• 5.3 算法仿真结果分析及结论
• 5.4 参数对滤波器性能的影响
• 5.5 自适应噪声抵消器动态仿真
• 5.5.1 自适应噪声抵消器动态仿真模型构造
• 5.5.2 动态模型仿真结果
• 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要