改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

双变因子LMS自适应滤波算法

为提高最小均方(LMS)自适应滤波算法的性能,在步长因子与误差信号满足一种改进的Sigmoid函数关系式的基础上,提出了一种双变因子控制下的变步长LMS自适应滤波算法。该算法具有初始状态收敛速度快、稳定状态均方误差小、抗噪声性能好、适应系统跃变能力强的优点。计算机仿真结果验证了该算法的优越性。     

一种改进的次级通道辨识算法

为提高次级通道的辨识精度、减小辨识误差对自适应控制的影响,以横向滤波器作为估计模型,分别应用带遗忘因子的最小二乘递推算法和变步长最小均方算法来对横向滤波器的权系数进行了更新,并对两种算法的辨识精度和控制效果进行了对比。结果表明:变步长最小均方算法的性能优于带遗忘因子的最小二乘递推算法,但变步长算法仍存在收敛速度过慢、辨识残差较大的问题。为此,提出一种改进的变步长最小均方算法,并对其进行了实验验证。实验结果表明:改进之后的变步长最小均方算法的辨识精度满足控制要求,收敛速度较快。     

基于对数函数的归一化变步长LMS算法

归一化LMS算法是用步长与输入信号功率的比值,对步长的归一化,但其使用的全局步长因子是固定的,会出现不能同时兼顾收敛速度和稳态误差的问题。为了解决这一问题,将该算法与基于对数函数的变步长LMS算法相结合,提出了一种基于对数函数的归一化变步长LMS算法。基于对数函数的归一化变步长LMS算法是利用步长μ和误差e满足的一种归一化的对数关系,通过误差e来调整步长μ,使得步长μ始终在一个合适的范围内。仿真结果表明,新算法在收敛速度和稳态误差方面都优于归一化LMS算法和基于对数函数的变步长LMS算法。     

基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差（least mean squares,LMS）滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sigmoid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明：该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。     

一种新的变步长LMS自适应滤波算法

通过建立步长因子μ与误差信号e之间的非线性关系,提出一种新的基于抽样函数的变步长LMS算法,并进行了计算机仿真.结果表明,该算法除了具有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点外,其收敛速度、稳定性以及跟踪速度均优于传统固定步长LMS算法抽样函数、SVSLMS算法.     

变步长LMS算法在PCMA信号相位估计中的应用

为提高PCMA信号相位估计的精度,基于联合循环统计量与变步长最小均方（least mean square,LMS）的理论,提出了一种PCMA信号相位高精度估计算法。算法推导信号参数与循环统计量的定量关系进行相位的初估计,对接收信号进行变步长的LMS自适应滤波,通过迭代提升相位估计精度。对算法进行了不同维度的仿真对比实验,仿真结果表明,算法收敛速度快,适用范围广,性能相较于传统方法提升2dB左右。     

阵列雷达自适应多零点单脉冲群目标测角算法

针对阵列体制雷达，由极大似然估计导出自适应多零点单脉冲测角原理。分析发现迭代步长过大导致双零点单脉冲技术在多目标条件下失效，因此提出加权步长改进角度估计的迭代过程，只需要较少计算量就能实现群内多个目标的精确测角。仿真结果表明：该算法在较高信噪比条件下可以精确测量群内三个目标角度，测角误差约为0.15倍波束宽度；当群目标数较多或者目标相位差接近于0时，算法性能下降明显。     

基于估值修正的分布式传感器网络最小均方算法

为使分布式传感器网络自适应滤波算法在具有快速收敛和低稳态误差的同时,具有对脉冲干扰的鲁棒性,在扩散LMS自适应滤波算法基础上,提出一种基于参数估值p阶范数修正的变步长最小均方自适应滤波算法,算法通过使用参数估值的p阶范数增抗其对脉冲噪声的抗干扰能力,通过合理设置变步长控制因子使得算法在收敛初期的收敛速度及收敛后期的稳态误差在一个较小的范围取得一个较好的平衡。对比实验表明,相比已有算法,所提算法性能更优且具有较好的鲁棒性。     

基于知识的模型表示研究

基于知识的模型表示是信息管理系统,特别是决策支持系统(DSS)的基础。根据模型管理和模型建立动态性原则的要求,提出了模型知识化的框架表示法,并给出了应用实例。     

基于价值的指挥主体作战指挥行为评估

作战指挥行为是作战指挥理论的一个重要方面。在明确了其概念后,将价值这一概念引入作战指挥行为评估,认为价值的创造主体是作战指挥行为,并以此作为评估的基础。最后,利用数据挖掘中的关联规则实现评估的量化,并结合案例说明该方法的有效性。     

基于Petri网的案例推理研究

介绍Petri网的知识表示方法以及案例推理机制的相关内容,提出了一种基于Petri网的案例推理模型,给出了相应的案例检索匹配算法,并将该模型和检索算法应用到网络攻防态势推演系统中,最后重点介绍了该系统的案例库的知识表示。     

基于网关的LVC互操作研究

仿真体系结构解决了各自领域内仿真资源的互操作问题,而体系结构间的互操作是解决多种仿真资源互操作的有效方法.由于通信协议、中间件和对象模型的不同,体系结构间不能直接进行信息交互.对象模型间的相同点是异构仿真系统间互操作的基础.建立异构系统对象模型与通用数据交换模型的映射关系,通过模型转换实现各异构系统间的数据交互,最后通过"点对点"和通用网关间的时延比较,总结了通用网关的性能特点.     

基于能力匹配的网络化防空作战联盟生成研究

作战联盟用于描述网络化防空作战的组织框架,其生成问题是研究网络化防空作战协同的基础。首先从任务、联盟表达、能力含义等方面对防空作战联盟问题进行了描述;然后从防空作战节点与面临任务在能力上的供需关系出发,建立匹配、匹配域、能力裕度等相关观念,并依据防空作战联盟形成的不同准则,分别建立基于能力裕度最大和基于执行节点数最少两个NADOC生成问题的约束优化模型;最后通过案例对模型进行了验证分析。     

基于信息折合的CMSR方法研究

计数法和计量法是对产品可靠性评估的两种不同方法。通过仿真,比较了它们对正态单元双边可靠性评估的效率,发现对可靠性要求很高的产品,计量法优于计数法。进一步研究了基于信息析合的CMSR方法,通过仿真检验,证明了此种方法在样本量较小时是实用的。     

多媒体课件在教学应用中的几点思考

多媒体课件作为现代化的教学工具,提高了教学质量和教学效率,但也有其不利的一面,在实际教学中应合理使用多媒体课件。     

基于ExtendSim的系统可靠性建模

针对传统可靠性仿真模型建模繁琐,编程困难的问题,建立了基于Ex tendS im的可靠性模型,即串联、并联、旁联模型,相比传统方法具有建模直观、调试方便等优点,并以某混联系统为例与解析模型进行了对比验证,仿真结果表明,建立的可靠性模型是可信的,且此模型不依赖于单元寿命分布,相比解析模型具有更强的适应性。     

基于任务的装备维修决策研究

以保证装备的任务成功性和任务后装备的战备完好性为目标,提出了基于任务的装备维修决策的概念,包括以任务成功性为中心的维修决策和以任务后装备战备完好性为中心的维修决策。分析了基于任务的装备维修决策过程;研究了基于任务的装备维修决策方法,主要包括装备任务描述模型、任务-功能-产品映射模型、产品任务功能故障分析方法、装备任务成功性评估模型、以任务成功性为中心的装备维修逻辑决策模型、以任务后装备战备完好性为中心的装备维修逻辑决策模型等;指出装备状态评估和预测、装备任务成功性评估是今后有待深入研究的问题。     

基于自适应模糊神经网络的弹药消耗预计模型

根据我军弹药消耗预计方法的现状,利用模糊控制和神经元网络原理,提出了一种新的预计方法。量化的作战条件作为系统的输入,预计值作为系统的输出,根据历史的输入、输出数据确定系统的特性,建立预计模型。利用此种方法建立的模型根据历史数据训练后,输入现有战斗估计条件,即可对部队日平均作战消耗做出预计。