基于LMS滤波器的传感器信号处理系统
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 自适应滤波理论和研究现状 | 第10-11页 |
| 1.2.1 维纳滤波理论 | 第10页 |
| 1.2.2 基于最小二乘准则的方法 | 第10-11页 |
| 1.2.3 卡尔曼滤波理论的方法 | 第11页 |
| 1.2.4 基于神经网络理论的方法 | 第11页 |
| 1.3 与遗传算法结合的自适应滤波器 | 第11-12页 |
| 1.4 自适应算法的硬件实现 | 第12页 |
| 1.5 本文结构和内容 | 第12-14页 |
| 第二章 最小均方LMS算法 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 自适应滤波算法的分类 | 第14-15页 |
| 2.3 LMS自适应滤波器的结构和原理 | 第15-16页 |
| 2.4 LMS算法性能指标 | 第16-19页 |
| 2.4.1 LMS算法的收敛速度 | 第16-17页 |
| 2.4.2 LMS算法的计算复杂度 | 第17页 |
| 2.4.3 LMS算法的抗干扰性能和稳定性 | 第17-19页 |
| 2.5 自适应滤波器在噪声消除方面的应用 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 改进LMS算法及其性能分析 | 第21-30页 |
| 3.1 提高LMS收敛速度的方法 | 第21-22页 |
| 3.1.1 加大稳定步长的取值范围 | 第21-22页 |
| 3.1.2 采取提高收敛速度的步骤 | 第22页 |
| 3.2 解相关 | 第22-23页 |
| 3.3 引入遗忘因子的变步长LMS算法 | 第23-24页 |
| 3.4 基于余弦函数的变步长LMS算法 | 第24-26页 |
| 3.5 改进变步长LMS算法的仿真与比较 | 第26-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第四章 基于遗传算法的LMS参数优化 | 第30-37页 |
| 4.1 遗传算法的特点 | 第30-31页 |
| 4.2 遗传算法的结构 | 第31-32页 |
| 4.3 遗传算法的变步长参数优化 | 第32-33页 |
| 4.4 对余弦函数变步长算法的参数优化 | 第33-35页 |
| 4.5 参数优化后的算法对比 | 第35-36页 |
| 4.6 本章小结 | 第36-37页 |
| 第五章 变步长LMS算法在FPGA中的仿真 | 第37-45页 |
| 5.1 引言 | 第37页 |
| 5.2 DSP Builder技术 | 第37-39页 |
| 5.3 LMS自适应滤波器的构建及仿真 | 第39-44页 |
| 5.3.1 变步长LMS滤波器模型结构 | 第39-41页 |
| 5.3.2 变步长LMS滤波器模型的构建 | 第41-43页 |
| 5.3.3 自适应滤波器的功能仿真 | 第43-44页 |
| 5.4 本章小结 | 第44-45页 |
| 总结与展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 在校期间研究成果 | 第52页 |
