基于FPGA的光纤陀螺自适应LMS滤波算法研究

光纤陀螺仪的精度严重制约着以其为核心的惯性导航系统精度,为进一步提高系统精度须对光纤陀螺进行滤波处理;文章在自适应LMS滤波算法的基础上,以FPGA实现光纤陀螺数据的采集和滤波处理;以光纤陀螺的延时信号作为参考值,实时自适应调整陀螺不同时刻输出的权值来实现对噪声的滤除;在FPGA中,利用有限状态机的方式来完成该滤波算法的实现,同时完成权值系数的更新和信号采集等模块的功能;结果表明,经过FPGA采集并滤波后的光纤陀螺信号中的噪声分量明显降低,滤波延时远小于采样周期,完全满足工程实际需要。     

基于FPGA的光纤陀螺自适应LMS虑波算法研究

光纤陀螺仪的精度严重制约着以其为核心的惯性导航系统精度,为进一步提高系统精度须对光纤陀螺进行滤波处理;文章在自适应LMS滤波算法的基础上,以FPGA实现光纤陀螺数据的采集和滤波处理;以光纤陀螺的延时信号作为参考值,实时自适应调整陀螺不同时刻输出的权值来实现对噪声的滤除;在FPGA中,利用有限状态机的方式来完成该滤波算法的实现,同时完成权值系数的更新和信号采集等模块的功能;结果表明,经过FPGA采集并滤波后的光纤陀螺信号中的噪声分量明显降低,滤波延时远小于采样周期,完全满足工程实际需要.     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

飞机颤振模态参数辨识试验的快速滤波算法

研究飞机颤振随机模型中实际输入-输出信号序列的最优滤波估计问题,利用矩阵论中的矩阵因式分解和统计信号处理中的条件期望公式,将由新息过程构成的块Toeplitz矩阵进行三角分解,得到一种有效的递推滤波算法。对于滤波输入-输出信号的估计值,推导该算法下的估计误差和方差表达式。最后用仿真算例验证采用滤波后得到的输入-输出信号估计值作为飞机颤振模态参数辨识试验的观测信号可得到较为准确的传递函数,进而使得模态参数的辨识也更精确。     

一种新型的数据采集系统性能量化方法的研究

考虑到数据采集系统的精度对应于系统对信号的不失真传输及系统本身的时间稳定性问题,提出了一种新型的数据采集系统性能量化方法。该方法将数据采集系统看作为一个开环的线性时不变系统,把采集系统本身看作滤波器,其输入为需要采集的信号,输出为采集到的信号,然后利用LMS算法的基本原理反推通道模型参数,最后利用求得的模型参数计算数据采集系统对正弦信号的传输特性,实现了对数据采集系统的性能考核。对系统模型和量化方法的数学仿真结果表明,所采取的量化方法和系统模型精确地反映了数据采集系统的正弦信号的响应,可以作为实际数据采集系统的精度考核手段。     

单激光陀螺罗盘寻北误差建模及滤波技术

传统吊带式陀螺罗盘系统短时间快速寻北精度较低,对环境的适应能力差.为提高陀螺罗盘寻北性能,提出使用单激光陀螺作为测量元件的二位置罗盘寻北方案.考虑到激光陀螺输出数据特性以及陀螺罗盘系统应用条件,通过对激光陀螺误差源进行分析,确定针对陀螺输出数据使用惯性环节滤波和滑动平均的组合滤波方法.以低精度激光陀螺实验数据进行仿真计算.滤波前后信号对比明显,说明滤波方法对噪声信号抑制效果明显;寻北结果达到4'的精度且收敛速度较快,证明了方案的可行性.     

神经网络在MEMS-IMU/GPS组合导航中的应用研究

针对基于MEMS传感器组成的INS/GPS组合中GPS信号缺失的情况下,系统误差瞬时增大,滤波迅速退化无法继续工作的问题,本文提出利用神经网络辅助INS/GPS导航系统以解决这一问题的方法.该方法首先建立系统模型,用组合导航的输入作为网络模型的输入,通过网络训练得到输出需要参数,结合卡尔曼滤波用于组合导航以继续使导航系统工作,仿真结果表明该方法可行和有效性的.     

基于RBF神经网络的静电电位动态测试仪波形重建

为降低静电电位动态测试仪采集波形的失真,提出利用基于RBF(Radial Basic Function)神经网络的系统辨识方法进行波形重建;使用静电高压动态电位标准装置进行试验,将输入的标准方波脉冲信号和经过静电电位动态测试仪后的畸变信号作为黑箱系统的输出和输入信号;利用基于RBF网络的系统辨识方法进行建模,根据所得网络模型预测不同高压脉冲下的重建波形,并与实测波形对比;结果表明基于RBF神经网络的系统辨识方法较好地还原了输入的标准方波脉冲信号,为静电高压动态电位波形校准提供了新的方法.     

基于径向基神经网络的速度滤波器

在实车采集的试验数据当中,速度信号对于分析车辆的整车性能、换档过程以及通过数据处理进一步求取加速度,冲击度等指标有着非常重要的作用.但是由于试验当中各种随机噪声的存在,因此必须在研究分析之前先对速度信号进行滤波.径向基神经网络能够任意逼近非线性函数的特性,给速度滤波提供了崭新的方法.利用径向基神经网络可实现自适应滤波,并应用于速度信号的去噪.仿真结果表明,该方法具有良好的非线性噪声抑制能力.     

基于小波域滤波的电子通信信道恶意干扰信号分离方法

针对电子通信信号与恶意干扰信号严重重叠的现象,设计了基于小波域滤波的电子通信信道恶意干扰信号分离方法。在分析信道特征并划分噪声种类后明确噪声信号形式,然后利用小波域滤波算法合理设置分解层数,对信号做分解重构与降噪,再利用极限学习机建立神经网络学习模型。根据干扰信号模型与信道衰减程度提取干扰信号特征,并将特征样本输入到神经网络中,直到输出分离结果。仿真结果表明：该方法能够有效去除信道噪声、降低通信误码率、均衡信道负载。     

基于Elman神经网络的GNSS/INS全域高精度定位方法

针对当前智能网联汽车定位与导航系统无法接收全球导航卫星系统（GNSS）信号引起定位失效的问题，提出一种基于Elman神经网络的GNSS结合惯性导航系统（INS）的全域高精度定位方法。首先，采用神经网络方法，建立了基于Elman网络的GNSS/INS高精度定位训练模型和GNSS失效预测模型；然后，利用GNSS、INS和实时动态（RTK）等定位技术，设计了GNSS/INS高精度定位数据采集实验系统；最后，选取采集的有效实验数据进行了反向传播（BP）神经网络、级联BP（CFBP）神经网络、Elman神经网络的训练模型性能对比分析，并验证了基于Elman网络的GNSS失效预测模型。实验结果表明，所提方法训练误差指标均优于基于BP和CFBP神经网络的方法；在GNSS失效1 min、2 min、5 min时，基于预测模型的预测平均绝对误差（MAE）、方差（VAR）和均方根误差（RMSE）分别为18.88 cm、19.29 cm、58.83 cm，8.96、8.45、5.68和20.90、21.06、59.10，随着GNSS信号失效时长的增加，定位预测精度降低。     

基于小波神经网络的大功率电器识别技术研究

针对公寓用电中的大功率电器识别问题,提出利用小波神经网络对大功率电器进行识别.由于采集到的电网电流信号是基波信号和谐波信号的混合,因此需要进行信号分离.基于Mallat快速算法进行小波变换提取其中的谐波电流信号;将总电流的平均功率增量和谐波电流的平均功率增量经过归一化处理后作为大功率电器识别的特征向量,利用得到的特征向量对融合型小波神经网络进行基于BP算法的网络训练;利用训练好的小波神经网络对未知的电网电流数据进行识别,实现大功率电器的在线识别和预警.对比仿真实验表明:利用小波神经网络对大功率电器识别比传统的BP神经网络有更高的准确率.     

数据驱动的ADS-B干扰源信号类型识别

传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点。对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法。首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器（VSG）进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析。实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

基于机器学习方法的高速信道建模研究

随着高速信道的传输速率变快,传输长度变长,结构复杂度变高,对信道进行建模也变得复杂与艰难.将目前比较火热的机器学习方法与高速信道结合起来,提出了一个新颖的方法.利用采集的大量模拟数据,采用深度神经网络DN N与循环神经网络RN N对信道建模,模型一旦训练成功,就可以通过该仿真模型预测输出信号的眼图,快速精准地对信号完整性进行评估和分析.另外,在高速信道中,信号的严重干扰和衰减问题会限制传输距离和传输速率,给测试和信息采集带来困难.为了恢复理想信号,高速串行链路通常包含复杂的均衡摸块,采用最小均方算法LMS可以有效地消除干扰,减小误码率,提高传输速率.     

基于双神经网络的RFID室内定位方法

在室内定位中,传统的RFID定位方法由于方法简单,无法随着室内环境的变化准确估计当前的路径损耗系数,存在受环境影响大,定位精度不高,实时性差等缺点.为了解决以上问题,提出一种基于双神经网络模型的室内定位算法,建立BP网络和DNN网络的双神经网络模型,将采集到的RSSI信号值预处理后输入到BP网络模型中,输出路径损耗系数n,再将接收信号强度值RSSI和通过BP模型得到的路径损耗系数n作为输入,输入到DNN网络模型中,得到待测标签的精确定位坐标.实验表明,与传统的基于RSSI和基于ANN模型的室内定位算法相比,本算法有效提高了定位精度和定位实时性.     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

基于STM32F和极限学习机在火灾检测中的应用

针对传统单一信号的火灾检测方式存在误判问题,以及布线复杂并且性价比低的弱点,提出了基于STM32F和极限学习机火灾检测方法;该方法首先通过STM32F模块采集多个传感器的值（烟雾传感器,甲烷传感器,可燃气体传感器,一氧化碳传感器）,WLAN为载体进行数据发送,然后采用加权滤波对数据进行去噪处理,获得极限学习机的训练和测试样本库,模型训练结束后,以测试数据进行方法验证,并对验证结果进行评估。结果表明,该方法能够准确判断火灾类型,准确度达到90%以上。在火灾处理算法方面,极限学习机相对于BP神经网络、支持向量机和贝叶斯网络训练时间短,准确率高,具有较高的应用于推广价值。     

基于特征选择的概率神经网络胃癌计算机辅助诊断

应用信噪比和概率神经网络的方法,结合实验数据,提出胃癌分类模型。它是利用已知信息对胃癌样本进行分析和判别。其方法是首先对数据进行分类信息指数信噪比分析,根据分类信息指数信噪比大小排序,然后采用特征向量递增的方法,将特征向量输入概率神经网络进行分析,采用留一法对PNN训练和检测,找出训练效果最好的特征向量子集。这种模型用MATLAB软件实现,具有可操作性,可推广到其它相应的疾病辅助诊断中去。     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.