论文部分内容阅读
噪声抵消技术是信号处理领域中的重要部分。基于神经网络的自适应噪声抵消技术能够非常有效消除背景噪声,因为神经网络能够克服传统的自适应噪声抵消器无法解决的两路噪声信号非线性相关的问题。本文主要做了如下几个方面的工作:(1)首先阐述了自适应噪声抵消技术的原理和方法,接着深入研究了自适应噪声抵消技术常用的几种算法,然后分析了与自适应噪声抵消系统性能相关的一些参数。(2)研究了BP学习算法的原理,重点分析了BP学习算法的不足和缺点,研究了改进的BP算法-LM算法原理,将两者从收敛速度和误差函数上做了对比,仿真结果表明改进的算法的收敛速度更快精度更高。(3)在MATLAB环境下设计建立了基于改进的BP算法的自适应噪声抵消的仿真模型,包括以下几个内容:研究了利用一个统一的噪声模型来实现不同的噪声输入,BP网络结构参数的确定,具体为输入层的神经元的结点数由输入样本来确定,输出层的结点数由输出样本来确定,根据Kolmogorov定理,三层的神经网络可以实现任何一个闭区间的连续函数,因此隐层数取一层,在确定隐层的结点数时,首先根据经验公式取得一个初始值,然后根据网络的实际学习状况进行调整,网络的学习算法采用LM算法。(4)在MATLAB下将基于神经网络的自适应噪声抵消器与基于LMS算法的自适应噪声抵消器分别在两路噪声信号非线性相关和线性相关时进行对比仿真研究。将基于神经网络的系统与基于LMS系统从收敛速度和噪声抵消的效果上进行了性能对比。在噪声抵消效果方面:计算并对比了两个系统消噪后的信噪比改善情况,分析了两个系统去噪后的信号的时域、频域图;在收敛速度方面:对比分析了两个系统的误差收敛曲线。结果均表明:基于神经网络的自适应噪声抵消器的性能更优,基于LMS的自适应噪声抵消器只能抵消两路噪声线性相关的情况,而基于神经网络的自适应噪声抵消器不论是两路噪声信号线性相关还是非线性相关均具有良好的噪声消除能力,而且性能更好。(5)最后本文将实测的实验数据利用基于改进BP算法的自适应噪声抵消器进行了处理,结果表明该系统具有良好的噪声抵消能力。