一、引言自適應(yīng)噪聲抵消技術(shù)是一種能夠很好的消除背景噪聲影響的信號(hào)處理技術(shù)，應(yīng)用自適應(yīng)噪聲抵消技術(shù)，可在未知外界干擾源特征，傳遞途徑不斷變化，背景噪聲和被測(cè)對(duì)象聲波相似的情況下，能夠有效地消除外界聲源的干擾獲得高信噪比的對(duì)象信號(hào)。 從理論上講，自適應(yīng)干擾抵消器是基于自適應(yīng)濾波原理的一種擴(kuò)展，簡(jiǎn)單的說，把自適應(yīng)濾波器的期望信號(hào)輸入端改為信號(hào)加噪聲干擾的原始輸入端，而它的輸入端改為噪聲干擾端，由橫向?yàn)V波器的參數(shù)調(diào)節(jié)輸出以將原始輸入中的噪聲干擾抵消掉，這時(shí)誤差輸出就是有用信號(hào)了。在數(shù)字信號(hào)采集、處理中，線性濾波是最常用的消除噪聲的方法。線性濾波容易分析，使用均方差最小準(zhǔn)則的線性濾波器能找到閉合解，若噪聲干擾類型為高斯噪聲時(shí)，可達(dá)到最佳的線性濾波效果。 計(jì)算機(jī)論文www.lunwendingzhi.com； 機(jī)械畢業(yè)論文www.lunwenwanjia.com 在實(shí)際的數(shù)字信號(hào)采集中，疊加于信號(hào)的噪聲干擾往往不是單一的高斯噪聲，而線性濾波器所要求的中等程度噪聲偏移，使線性濾波器對(duì)非高斯噪聲的濾波性能下降，為克服線性濾波器的缺點(diǎn)，往往采用非線性濾波器，所以本文采用神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行濾波處理。二、基于BP算法和遺傳算法相結(jié)合的自適應(yīng)噪聲抵消器在本文中，作者主要基于自適應(yīng)噪聲對(duì)消的原理對(duì)自適應(yīng)算法進(jìn)行研究，提出了一種新的算法，即BP算法和遺傳算法相結(jié)合的自適應(yīng)算法。 作者對(duì)BP網(wǎng)絡(luò)的結(jié)構(gòu)及算法作了一個(gè)系統(tǒng)的綜述，分析了BP算法存在的主要缺陷及其產(chǎn)生的原因。傳統(tǒng)的BP網(wǎng)絡(luò)既然是一個(gè)非線性優(yōu)化問題，這就不可避免地存在局部極小問題，網(wǎng)絡(luò)的極值通過沿局部改善的方向一小步進(jìn)行修正，力圖達(dá)到使誤差函數(shù)最小化的全局解，但實(shí)際上常得到的使局部最優(yōu)點(diǎn)。 管理畢業(yè)論文網(wǎng)www.yifanglunwen.com； 音樂畢業(yè)論文www.xyclww.com； 英語畢業(yè)論文www.lanrenbanjia.com； 學(xué)習(xí)過程中，下降慢，學(xué)習(xí)速度緩，易出現(xiàn)一個(gè)長(zhǎng)時(shí)間的誤差平坦區(qū)，即出現(xiàn)平臺(tái)。通過對(duì)遺傳算法文獻(xiàn)的分析、概括和總結(jié)，發(fā)現(xiàn)遺傳算法與其它的搜索方法相比，遺傳算法（GA）的優(yōu)點(diǎn)在于：不需要目標(biāo)函數(shù)的微分值；并行搜索，搜索效率高；搜索遍及整個(gè)搜索空間，容易得到全局最優(yōu)解。所以用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，可使神經(jīng)網(wǎng)絡(luò)具有進(jìn)化、自適應(yīng)的能力。 BP-GA混合算法的方法出發(fā)點(diǎn)為： 經(jīng)濟(jì)論文www.youzhiessay.com 教育論文www.hudonglunwen.com； 醫(yī)學(xué)論文網(wǎng)www.kuailelunwen.com； （1）利用BP神經(jīng)網(wǎng)絡(luò)映射設(shè)計(jì)變量和目標(biāo)函數(shù)、約束之間的關(guān)系；（2）用遺傳算法作實(shí)現(xiàn)優(yōu)化搜索；（3）遺傳算法中適應(yīng)度的計(jì)算采用神經(jīng)網(wǎng)絡(luò)計(jì)算來實(shí)現(xiàn)。BP-GA混合算法的設(shè)計(jì)步驟如下：（1）分析問題，提出目標(biāo)函數(shù)、設(shè)計(jì)變量和約束條件；（2）設(shè)定適當(dāng)?shù)挠?xùn)練樣本集，計(jì)算訓(xùn)練樣本集；（3）訓(xùn)練神經(jīng)網(wǎng)絡(luò)；（4）采用遺傳算法進(jìn)行結(jié)構(gòu)尋優(yōu)；（5）利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)檢驗(yàn)遺傳算法優(yōu)化結(jié)果。若滿足要求，計(jì)算結(jié)束；若誤差不滿足要求，將檢驗(yàn)解加入到訓(xùn)練樣本集中，重復(fù)執(zhí)行3～5步直到滿足要求。 通過用短時(shí)傅立葉信號(hào)和余弦信號(hào)進(jìn)行噪聲對(duì)消性能測(cè)試，在單一的BP算法中，網(wǎng)絡(luò)的訓(xùn)練次數(shù)、學(xué)習(xí)速度、網(wǎng)絡(luò)層數(shù)以及每層神經(jīng)元的節(jié)點(diǎn)數(shù)都是影響B(tài)P網(wǎng)絡(luò)的重要參數(shù)，通過仿真實(shí)驗(yàn)可以發(fā)現(xiàn)，適當(dāng)?shù)挠?xùn)練次數(shù)可以使誤差達(dá)到極小值，但是訓(xùn)練次數(shù)過多，訓(xùn)練時(shí)間太長(zhǎng)，甚至容易陷入死循環(huán)，或者學(xué)習(xí)精度不高。學(xué)習(xí)速度不能選擇的太大，否則會(huì)出現(xiàn)算法不收斂，也不能選擇太小， 會(huì)使訓(xùn)練過程時(shí)間太長(zhǎng)，一般選擇為0.01～0.1之間的值，再根據(jù)訓(xùn)練過程中梯度變化和均方誤差變化值確定。基于梯度下降原理的BP算法，在解空間僅進(jìn)行單點(diǎn)搜索,極易收斂于局部極小，而GA的眾多個(gè)體同時(shí)搜索解空間的許多點(diǎn)，因而可以有效的防止搜索過程收斂于局部極小，只有算法的參數(shù)及遺傳算子的操作選擇得當(dāng)，算法具有極大的把握收斂于全局最優(yōu)解。使用遺傳算法需要決定的運(yùn)行參數(shù)中種群大小表示種群中所含個(gè)體的數(shù)量，種群較小時(shí)，可提高遺傳算法的運(yùn)算速度，但卻降低了群體的多樣性，可能找不出最優(yōu)解；種群較大時(shí)，又會(huì)增加計(jì)算量，使遺傳算法的運(yùn)行效率降低。一般取種群數(shù)目為20～100；交叉率控制著交叉操作的頻率，由于交叉操作是遺傳算法中產(chǎn)生新個(gè)體的主要方法，所以交叉率通常應(yīng)取較大值，但若過大的話，又可能破壞群體的優(yōu)良模式，一般取0.4～0.99；變異率也是影響新個(gè)體產(chǎn)生的一個(gè)因素，變異率小，產(chǎn)生個(gè)體少，變異率太大，又會(huì)使遺傳算法變成隨機(jī)搜索，一般取變異率為0.0001～0.1。 由仿真結(jié)果得知，GA與BP算法的混合算法不論是在運(yùn)行速度還是在運(yùn)算精度上都較單純的BP算法有提高，去噪效果更加明顯，在信噪比的改善程度上，混合算法的信噪