CN115795283B - 一种基于迭代学习跟踪微分器的微分信号提取方法 - Google Patents

一种基于迭代学习跟踪微分器的微分信号提取方法 Download PDF

Info

Publication number
CN115795283B
CN115795283B CN202310069728.9A CN202310069728A CN115795283B CN 115795283 B CN115795283 B CN 115795283B CN 202310069728 A CN202310069728 A CN 202310069728A CN 115795283 B CN115795283 B CN 115795283B
Authority
CN
China
Prior art keywords
tracking differentiator
sampling
signal data
data
iterative learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310069728.9A
Other languages
English (en)
Other versions
CN115795283A (zh
Inventor
李向阳
刘屿
曾明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310069728.9A priority Critical patent/CN115795283B/zh
Publication of CN115795283A publication Critical patent/CN115795283A/zh
Application granted granted Critical
Publication of CN115795283B publication Critical patent/CN115795283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Feedback Control In General (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于迭代学习跟踪微分器的微分信号提取方法，所述迭代学习跟踪微分器被配置为：采用低带宽的低通滤波器作为基本滤波器，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器的时域TD算法提取采样信号数据的微分，当采样信号数据的个数不小于数据窗口的长度时，扩展到二维跟踪微分器进行迭代计算；本发明具有更好的抗噪声能力和跟踪性能，实现从含噪声的信号中快速和高效地提取测量信号及其微分信号，提高微分信号的光滑性。

Description

一种基于迭代学习跟踪微分器的微分信号提取方法
技术领域
本发明涉及采样信号微分提取的技术领域，尤其是指一种基于迭代学习跟踪微分器的微分信号提取方法。
背景技术
数字控制是当今自动控制系统的主流方式，信号的数据采集是数字控制的基础。采集到的数字信号后，对这些数字信号的进行处理从而实现系统的建模、预测和控制。在系统的建模、预测和控制中，求取信号的微分是非常重要的信号处理过程。现有的通过信号的增量与发生该增量所需时间之比来求出信号的微分的方法非常容易受到采集信号中噪声的影响，由于求取微分增量改变所需的时间比较小，而噪声引起增量的变化可能很大，微分器变成了噪声放大器，有用的微分信号完全可能淹没在噪声中。
跟踪微分器采用一个二阶或者高阶积分串联系统来建立信号之间的微分模型，然后采用信号跟踪和反馈控制的方法来求取信号的微分，该方法具有较好的抗噪声能力，能够得到比较光滑的微分信号。跟踪微分器有线性跟踪微分器和非线性跟踪微分器，最速跟踪微分器是一种特殊的非线性跟踪微分器。在线性跟踪微分器中，存在抗噪声能力和跟踪能力相矛盾的现象，当要求增强跟踪能力时，要加大线性跟踪微分器的增益或者带宽，但是增加增益或者带宽会降低跟踪微分器的抗噪声能力；对于具有非线性特性的最速跟踪微分器，其边界层与噪声的大小有关，抗噪声能力在噪声较大的场合需要特殊设计，边界层的参数难整定。因此，需要一种在抗噪声能力不变或者只是稍微降低的情况下，却能极大提高跟踪性能的新型跟踪微分器。
发明内容
本发明的第一目的在于为解决现有技术中的不足，提供了一种基于迭代学习跟踪微分器的微分信号提取方法，把现有的跟踪微分器从一维扩展到二维，得到一种迭代学习跟踪微分器，可以在保持良好的抗噪声能力的同时，提高跟踪性能，从而得到原输入信号的高质量微分信号。
本发明的第二目的在于提供一种非暂时性计算机可读介质。
本发明的第三目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种基于迭代学习跟踪微分器的微分信号提取方法，所述迭代学习跟踪微分器被配置为：
采用低带宽的低通滤波器作为基本滤波器，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；
所述微分信号提取方法包括以下步骤：
S1、初始化迭代学习跟踪微分器参数；
S2、输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器执行步骤S3；当采样信号数据的个数不小于数据窗口的长度时，把一维跟踪微分器扩展到二维跟踪微分器的形式，执行步骤S4；
S3、采用时域TD算法提取采样信号数据的微分后，执行步骤S6；
S4、根据采样信号数据的个数与数据窗口长度关系来调整预设的迭代次数Nv 的大小后，初始化迭代次数j=1；
S5、进行迭代次数判断，若迭代次数j不大于预设的迭代次数NV，则在该数据窗口完成迭代学习计算后，移动至下一个采样周期，再对该下一个采样周期的数据窗口进行j+1次迭代学习计算；若迭代次数j大于预设的迭代次数NV，则完成当前采样周期的采样信号数据的微分提取，执行步骤S6；
S6、输出微分信号以及采样信号数据的滤波值。
进一步，所述低通滤波器为线性二阶低通滤波器，其计算公式为：
Figure SMS_1
（1）；
其中，
Figure SMS_2
为线性二阶低通滤波器/>
Figure SMS_3
的带宽，/>
Figure SMS_4
为衰减系统，取为1，s为拉普拉斯算子；
将公式（1）写成一维跟踪微分器的形式，其计算公式为：
Figure SMS_5
（2）；
其中，h为采样周期，k为采样次数，R为跟踪微分器的速度因子，反映跟踪微分器的跟踪速度，取
Figure SMS_6
、/>
Figure SMS_7
，/>
Figure SMS_8
为采样信号数据，/>
Figure SMS_9
为采样输入信号/>
Figure SMS_10
经过一维跟踪微分器后的采样信号数据，/>
Figure SMS_11
为采样输入信号/>
Figure SMS_12
经过一维跟踪微分器后采样信号数据的微分。
进一步，所述步骤S2包括以下步骤：
输入采样信号数据，将采样信号数据按照时间序列来存储，定义一个数据窗口[k-NL, k]，其中NL为数据窗口的长度；当采样信号数据的个数k满足
Figure SMS_13
时，执行步骤S3；当采样信号数据的个数k满足/>
Figure SMS_14
时，把一维跟踪微分器扩展到二维跟踪微分器的形式：
Figure SMS_15
（3）；
其中，
Figure SMS_16
和/>
Figure SMS_17
为二维跟踪微分器的状态变量，/>
Figure SMS_18
为采样次数，/>
Figure SMS_19
为迭代次数；R与公式（2）中的R意义相同，为速度因子；u为二维跟踪微分器的控制量，相当于二阶系统的实时加速度，由公式（4）确定；/>
Figure SMS_20
为迭代总次数；
Figure SMS_21
（4）；
其中，
Figure SMS_22
为迭代学习鲁棒系数，/>
Figure SMS_23
；Lg为迭代学习增益，/>
Figure SMS_24
，j为迭代次数，l为数据窗口；R与公式（2）中的R意义相同，为速度因子；u分解为u fb和u ff两个分量，u fb为反馈分量，u ff为前馈分量，前馈分量的初始值为0。
进一步，所述步骤S4包括以下步骤：
Nv最大值的选取要考虑其容许的最大值，容许的最大值为两次采样时间间隔的时间段内，计算机所能完成迭代计算的次数和其它运算任务所占有的控制计算机的计算时间；公式（5）为在初始阶段选择Nv的分段函数：
Figure SMS_25
（5）；
其中，t为时间，其单位为秒，过渡过程结束后，即当t≥4.0，迭代总次数变为5次；对迭代次数进行初始化，使迭代次数j=1。
本发明的第二目的通过下述技术方案实现：一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据上述的基于迭代学习跟踪微分器的微分信号提取方法的步骤。
本发明的第三目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的基于迭代学习跟踪微分器的微分信号提取方法。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明的跟踪微分器是二维结构，比现有的一维结构的微分器具有更好的抗噪声能力和跟踪性能，实现从含噪声的信号中快速和高效地提取测量信号及其微分信号。
2、采用基本低通滤波器实现了更好的抗噪声效果，采用鲁棒迭代学习算法有利于提高噪声环境下的跟踪微分器的稳定性，提高微分信号的光滑性。
3、采用可变的迭代次数可以较好地减少跟踪微分器的初始微分峰值想象，可以灵活调整参数，减少微分冲击。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
实施例1
参见图1所示，为本实施例所提供的基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述迭代学习跟踪微分器被配置为：
采用低带宽的低通滤波器作为基本滤波器，可以采用线性滤波器或非线性滤波器，本实施例以线性滤波器为例来陈述，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；
所述低通滤波器为线性二阶低通滤波器，其计算公式为：
Figure SMS_26
（1）；
其中，
Figure SMS_27
为线性二阶低通滤波器/>
Figure SMS_28
的带宽，/>
Figure SMS_29
为衰减系统，取为1，s为拉普拉斯算子；
将公式（1）写成一维跟踪微分器的形式，其计算公式为：
Figure SMS_30
（2）；
其中，h为采样周期，k为采样次数，R为跟踪微分器的速度因子，反映跟踪微分器的跟踪速度，取
Figure SMS_31
、/>
Figure SMS_32
，/>
Figure SMS_33
为采样信号数据，/>
Figure SMS_34
为采样输入信号/>
Figure SMS_35
经过一维跟踪微分器后的采样信号数据，/>
Figure SMS_36
为采样输入信号/>
Figure SMS_37
经过一维跟踪微分器后采样信号数据的微分。
所述微分信号提取方法包括以下步骤：
Step101、初始化迭代学习跟踪微分器参数；
Step 102、输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口；
Step103、当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器执行步骤Step109；当采样信号数据的个数不小于数据窗口的长度时，把一维跟踪微分器扩展到二维跟踪微分器的形式，执行步骤Step104；
Step102和Step103包括以下步骤：
输入采样信号数据，将采样信号数据按照时间序列来存储，定义一个数据窗口[k-NL, k]，其中NL为数据窗口的长度；当采样信号数据的个数k满足
Figure SMS_38
时，执行步骤Step109；当采样信号数据的个数k满足/>
Figure SMS_39
时，把一维跟踪微分器扩展到二维跟踪微分器的形式：
Figure SMS_40
（3）；
其中，
Figure SMS_41
和/>
Figure SMS_42
为二维跟踪微分器的状态变量，/>
Figure SMS_43
为采样次数，/>
Figure SMS_44
为迭代次数；R与公式（2）中的R意义相同，为速度因子；u为二维跟踪微分器的控制量，相当于二阶系统的实时加速度，由公式（4）确定；/>
Figure SMS_45
为迭代总次数；
Figure SMS_46
（4）
其中，
Figure SMS_47
为迭代学习鲁棒系数，/>
Figure SMS_48
；Lg为迭代学习增益，/>
Figure SMS_49
，j为迭代次数，l为数据窗口；R与公式（2）中的R意义相同，为速度因子；u分解为u fb和u ff两个分量，u fb为反馈分量，u ff为前馈分量，前馈分量的初始值为0。
数据窗口[k-NL, k]在采样和学习过程中是移动的，在k时刻的数据窗口为[k-NL,k]，经过一个采样周期到达k+1 时刻，数据窗口为[k+1-NL, k+1]。在软件编程时，数据窗口为一个FIFO（First In First Out, 先进先出）的数据结构。在两次采样时间间隔（如从k时刻到k+1时刻）之间的一段时间内，控制计算机完成Nv次迭代学习计算，使得公式（3）中的
Figure SMS_50
（l=k时）在迭代域进一步逼近采样输入信号/>
Figure SMS_51
。
Step109、采用时域TD算法提取采样信号数据的微分后，执行步骤Step108；
Step104、根据采样信号数据的个数与数据窗口长度关系来调整预设的迭代次数Nv 的大小后，初始化迭代次数j=1，包括以下步骤：
迭代学习跟踪微分器是在数据窗口中经过多次迭代计算之后得到输入信号
Figure SMS_52
的滤波器值/>
Figure SMS_53
及其微分信号/>
Figure SMS_54
。在迭代学习跟踪微分器算法运行初期，由于公式（4）中系统状态/>
Figure SMS_55
（l=k时）和/>
Figure SMS_56
的初始值不同，跟一维跟踪微分器一样，容易产生初始微分峰值现象，但是本二维跟踪微分器比较容易克服初始微分峰值现象；在采样初期k<NL采用基本跟踪微分器，由于带宽较窄且为临界阻尼过程，无初始微分峰值现象；当k≥NL之后分段增加Nv，直到其最大值。
Nv最大值的选取要考虑其容许的最大值，容许的最大值为两次采样时间间隔的时间段内，计算机所能完成迭代计算的次数和其它运算任务所占有的控制计算机的计算时间，N v的最大值通常要比容许的最大值小很多，一般可取容许最大值的1/5；公式（5）为在初始阶段选择Nv的分段函数：
Figure SMS_57
（5）；
其中，t为时间，其单位为秒，过渡过程结束后，即当t≥4.0，迭代总次数变为5次；对迭代次数进行初始化，使迭代次数j=1。
Step105、进行迭代次数判断，对比迭代次数j与预设的迭代次数NV的大小；若迭代次数j不大于预设的迭代次数NV，执行Step 106；若迭代次数j大于预设的迭代次数NV，则完成当前采样周期的采样信号数据的微分提取，执行步骤Step108；
Step 106、若迭代次数j不大于预设的迭代次数NV，则在该数据窗口完成迭代学习计算后，移动至下一个采样周期；
Step 107、对该下一个采样周期的数据窗口进行j+1次迭代学习计算；
Step108、输出微分信号以及采样信号数据的滤波值。
实施例2
本实施例公开了一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据实施例1所述的基于迭代学习跟踪微分器的微分信号提取方法的步骤。
本实施例中的非暂时性计算机可读介质可以是磁盘、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、U盘、移动硬盘等介质。
实施例3
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的基于迭代学习跟踪微分器的微分信号提取方法。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑、可编程逻辑控制器（PLC，Programmable Logic Controller）、或其它具有处理器功能的终端设备。
以上所述之实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述迭代学习跟踪微分器被配置为：
采用低带宽的低通滤波器作为基本滤波器，所述低通滤波器为线性二阶低通滤波器，其计算公式为：
Figure QLYQS_1
（1）；
其中，
Figure QLYQS_2
为线性二阶低通滤波器/>
Figure QLYQS_3
的带宽；/>
Figure QLYQS_4
为衰减系统，取为1；s为拉普拉斯算子；
将公式（1）写成一维跟踪微分器的形式，其计算公式为：
Figure QLYQS_5
（2）；
其中，h为采样周期，k为采样次数，R为跟踪微分器的速度因子，反映跟踪微分器的跟踪速度，取
Figure QLYQS_6
、/>
Figure QLYQS_7
，/>
Figure QLYQS_8
为采样信号数据，/>
Figure QLYQS_9
为采样输入信号/>
Figure QLYQS_10
经过一维跟踪微分器后的采样信号数据，/>
Figure QLYQS_11
为采样输入信号/>
Figure QLYQS_12
经过一维跟踪微分器后采样信号数据的微分，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；
所述微分信号提取方法包括以下步骤：
S1、初始化迭代学习跟踪微分器参数；
S2、输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器执行步骤S3；当采样信号数据的个数不小于数据窗口的长度时，把一维跟踪微分器扩展到二维跟踪微分器的形式，执行步骤S4，包括以下步骤：
输入采样信号数据，将采样信号数据按照时间序列来存储，定义一个数据窗口[k-NL,k] ，其中NL为数据窗口的长度；当采样信号数据的个数k满足
Figure QLYQS_13
时，执行步骤S3；当采样信号数据的个数k满足/>
Figure QLYQS_14
时，把一维跟踪微分器扩展到二维跟踪微分器的形式：
Figure QLYQS_15
（3）；
其中，
Figure QLYQS_16
和/>
Figure QLYQS_17
为二维跟踪微分器的状态变量，/>
Figure QLYQS_18
为采样次数，/>
Figure QLYQS_19
为迭代次数； u为二维跟踪微分器的控制量，相当于二阶系统的实时加速度，由公式（4）确定；/>
Figure QLYQS_20
为迭代总次数；
Figure QLYQS_21
（4）；
其中，
Figure QLYQS_22
为迭代学习鲁棒系数，/>
Figure QLYQS_23
；Lg为迭代学习增益，/>
Figure QLYQS_24
，j为迭代次数，l为数据窗口；R与公式（2）中的R意义相同，为速度因子；u分解为u fb和u ff两个分量，u fb为反馈分量，u ff为前馈分量，前馈分量的初始值为0；
S3、采用时域TD算法提取采样信号数据的微分后，执行步骤S6；
S4、根据采样信号数据的个数与数据窗口长度关系来调整预设的迭代次数Nv 的大小后，初始化迭代次数j=1；
S5、进行迭代次数判断，若迭代次数j不大于预设的迭代次数NV，则在该数据窗口完成迭代学习计算后，移动至下一个采样周期，再对该下一个采样周期的数据窗口进行j+1次迭代学习计算；若迭代次数j大于预设的迭代次数NV，则完成当前采样周期的采样信号数据的微分提取，执行步骤S6；
S6、输出微分信号以及采样信号数据的滤波值。
2.根据权利要求1所述的一种基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述步骤S4包括以下步骤：
Nv最大值的选取要考虑其容许的最大值，容许的最大值为两次采样时间间隔的时间段内，计算机所能完成迭代计算的次数和其它运算任务所占有的控制计算机的计算时间；公式（5）为在初始阶段选择Nv的分段函数：
Figure QLYQS_25
（5）；
其中，t为时间，其单位为秒，过渡过程结束后，即当t≥4.0，迭代总次数变为5次；对迭代次数进行初始化，使迭代次数j=1。
3.一种存储有指令的非暂时性计算机可读介质，其特征在于，当所述指令由处理器执行时，执行根据权利要求1至2任意一项所述的基于迭代学习跟踪微分器的微分信号提取方法的步骤。
4.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至2任意一项所述的基于迭代学习跟踪微分器的微分信号提取方法。
CN202310069728.9A 2023-02-07 2023-02-07 一种基于迭代学习跟踪微分器的微分信号提取方法 Active CN115795283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310069728.9A CN115795283B (zh) 2023-02-07 2023-02-07 一种基于迭代学习跟踪微分器的微分信号提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310069728.9A CN115795283B (zh) 2023-02-07 2023-02-07 一种基于迭代学习跟踪微分器的微分信号提取方法

Publications (2)

Publication Number Publication Date
CN115795283A CN115795283A (zh) 2023-03-14
CN115795283B true CN115795283B (zh) 2023-06-16

Family

ID=85430003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310069728.9A Active CN115795283B (zh) 2023-02-07 2023-02-07 一种基于迭代学习跟踪微分器的微分信号提取方法

Country Status (1)

Country Link
CN (1) CN115795283B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842911A (zh) * 2016-11-23 2017-06-13 北京空间机电研究所 一种二维指向镜成像跟踪的图像伺服控制方法
CN115238519A (zh) * 2022-08-09 2022-10-25 周肖飞 一种数字信号处理算法的研发系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070223839A1 (en) * 2006-03-22 2007-09-27 Pavel Kisilev Signal noise estimation
KR102501837B1 (ko) * 2015-11-09 2023-02-21 삼성전자주식회사 신호 특징 추출 방법 및 장치
CN108873704B (zh) * 2018-07-19 2021-07-20 北京空间技术研制试验中心 基于预测跟踪微分器的线性自抗扰控制器的设计方法
CN114839869B (zh) * 2022-04-11 2022-12-27 哈尔滨工程大学 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842911A (zh) * 2016-11-23 2017-06-13 北京空间机电研究所 一种二维指向镜成像跟踪的图像伺服控制方法
CN115238519A (zh) * 2022-08-09 2022-10-25 周肖飞 一种数字信号处理算法的研发系统

Also Published As

Publication number Publication date
CN115795283A (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
EP1956447B1 (en) Apparatus and method for proportional-integral-derivative control
CN104064177B (zh) 基于量子粒子群优化算法的主动噪声控制方法
KR102189311B1 (ko) 학습된 모델을 이용한 해석 장치 및 이를 위한 방법
CN110942483B (zh) 函数快速收敛模型构建方法、装置和终端
CN103576060A (zh) 基于小波自适应阈值的局部放电信号去噪方法
CN108153984B (zh) 一种基于流场密度阶跃的高精度间断迦辽金人工粘性激波捕捉方法
CN103716013B (zh) 变参数比例自适应滤波器
CN113806993A (zh) 一种无线传感器结构设计优化方法、装置、设备及介质
CN115795283B (zh) 一种基于迭代学习跟踪微分器的微分信号提取方法
CN110429921B (zh) 一种变步长lms自适应滤波方法及其存储介质
CN110458773B (zh) 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN115797477A (zh) 用于轻量化部署的剪枝式图像压缩感知方法及系统
CN103927776A (zh) 动画曲线优化方法
CN114094987A (zh) 基于改进tanh函数的变步长LMP自适应滤波算法
CN114841901A (zh) 一种基于通用化深度展开网络的图像重建方法
Mandal et al. FIR band stop filter optimization by improved particle swarm optimization
CN110457863B (zh) 基于椭球收缩滤波的风力发电机桨距子系统参数估计方法
CN112068423B (zh) 有限值幂次吸引重复控制器设计方法
CN109100441B (zh) 一种液相色谱曲线去除脉冲干扰的方法
Gupta et al. Closed-form analytical formulation for Riemann–Liouville-based fractional-order digital differentiator using fractional sample delay interpolation
CN113762069A (zh) 一种任意噪声下长序列鲁棒增强快速趋势滤波方法
Elevitch et al. Quiver diagrams and signed adaptive filters
CN117031967B (zh) 一种迭代学习自抗扰控制方法
Morigi et al. Noise-reducing cascadic multilevel methods for linear discrete ill-posed problems
CN117668433B (zh) 一种机械采油机组智能选型方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant