基于自适应神经网络滤波的噪声消除

《基于自适应神经网络滤波的噪声消除》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

基于自适应神经网络滤波的噪声消除&!!!&!!姚屏申群太王俊年&!湖南科技大学电气与信息工程学院"湘潭5&&!"&#!!中南大学信息科学与工程学院"长沙5&""%’$摘要设计的自适应神经网络噪声抵消系统不需要关于输入信号的先验知识"非线性映射能力强"具有自学习能力%计算量小%实时性好&利用该系统对含噪声的非线性信号建模"达到消除噪声的目的&通过()*算法"对不同信噪比!*=>$的含噪信号进行滤波&仿真结果表明"该滤波器能有效地抑制噪声&关键词噪声神经网络噪声抵消自适应滤波文章编号&""!<%’’&<$!""#%!%<""?#<"’文献标识码@中图分类号3=A&’!"#$%&’()*++,-."(/,$*0"(10,2-.3*4*56,+4*-7"689.+-*6.(:=!>>=!>;,"<.(:?@*(A5(-,.B,(:C5((.’(&$BC99+D+CEF9+G.27G,9,/HI/EC2:,.7C/F/D7/++27/D!J1/,/*G7+/G+,/H3+GK/C9CDLM/7N+2-7.L!O7,/D.,/5&&!"&%!$BC99+D+CEI/EC2:,.7C/*G7+/G+,/HF/D7/++27/D!B+/.2,9*C1.KM/7N+2-7.L!BK,/D-K,5&""%’%1D$-6,)-’P,-+HC/.K+GK,2,G.+2,QC1.,H,R.7N+=+12,9=+.SC2TE79.+27/D/++H/#.R2+N7C1-7/EC2:,.7C/CE7/R1.-7/D9+!K,N+Q+..+2,Q797.LCE/C/97/+,2:,RR7/D,/H-+9E<-.1HL!,/CN+9,H,R.7N+/C7-+G,/G+99,.7C/-L-.+:7-H+-7D/+H$3K+-L-U.+:K,-.K+/,.12+CE,97..9+01,/.7.L7/7.-G,9G19,.7C/,/HDCCHEC2R2CG+--7/D7/2+,9V.7:+!G,/1-7/D7//C/97/+,2:CH+97/DCE/C7-+-7/D9+!,/HD+.-.C/C7-+G,/G+99,.7C/$*C,:+.KCH,2+H+-7D/+H1-7/D()*,9DC27.K:!,/HE79.+27/D,QC1.-7/D9+CEH7EE+2+/.*=>$I.7--KCS/.K,..K+E79.+27-DCCHEC22+-.2,7/7/D/C7-+QL-7:19,.7C/$E*F7"60$’/C7-+!=+12,9=+.SC2T!/C7-+G,/G+99,.7C/!,H,R.7N+E79.+27/D&引言定性!这给语音信号的处理带来困难"而由于神经元本身具有在信号处理领域中!从被噪声污染的信号中提取真实信号高度的自适应性!且由大量神经元组成的神经网络具有自学习是一个重要的问题"通常的方法是通过滤波器将有用的信号从性#自组织性#巨量并行性#存贮分布性#结构可变性等特点!能含噪信号中提取出来!采用自适应噪声抵消器来实现"它利用解决常规信息处理方法难以解决或无法解决的问题!因而神经与噪声相关的信号来调整滤波参数!实现对噪声的抑制"自适网络被广法应用于信号处理"本文设计的语音信号的神经网络应滤波器有许多应用!如通信!&"#语音信号处理!!"!生物医学信号自适应滤波器由两部分组成!即滤波子系统和自适应算法及图像处理!’"等"其算法也有很多!如最速下降法!()*$(+,-.部分")+,/-*01,2+%算法!牛顿法等!这些算法在不断的取得改进"!$&自适应滤波的基本原理为了满足信号处理中高速#实时#并行的要求!神经网络以其非自适应横向滤波器的原理框图如图&所示!其中!$"%为线性大规模并行分布处理#自组织#自学习能力引起了广泛的语音信号!#$"%为期望输出信号!$$"%为误差!%$"%为滤波后的重视!并取得了很多的成果"如多个城市的3*4问题的解决以输出信号!&$’;&!!!&!(%为滤波器的权值!)<&为延迟单元"该’及神经网络的手写字体识别!5"等"滤波器的关键是根据*$"%和!$"%的值!利用自适应算法寻找在实际应用中!由于模型的不确定性和噪声统计特性的信+!*!$"%"达到最小时的权值!从而可以自动调整权值!达到自适息不完备!基于67+/+2滤波和8,9:,/滤波!#"的最小均方估计应滤波目的"的滤波方法常常导致不能对信号进行最优估计"本文设计的自!$"%&&适应神经网络噪声抵消器仅需要当前的观测数据!不需要关于输入信号的先验知识!非线性映射能力强!具有自学习能力强#%$"%<&&)!!计算量小#实时处理好等特点"通过该系统对含噪声的非线性#$"%信号建模!达到消除噪声的目的"&&&*$"%!)<&&(自适应算法!语音信号的自适应神经网络滤波及其训练算法语音信号是一个非平稳的随机信号!具有准周期性和不确图&自适应横向滤波器基金项目!湖南省教育厅科学研究项目$编号’"’B5WW%作者简介!姚屏$&WAA<%!女!硕士!湖南科技大学教师!从事语音信号处理研究"申群太$&W55<%!教授!中南大学博导"王俊年$&W?A<%!副教授!中南大学博士研究生!湖南科技大学教师"计算机工程与应用!""#$!%%& !!!!自适应神经网络有很多种!其中比较常见的有&’"()*+,对式"%$两边取数学期望!由于!""$与0""$不相关!故(-./-)0)12/32!$!""$"C2!!!""$"B2#!0""$,1""$"!$B#网络!4546789"454-12:;673;89<./3!自适应线"H$性神经元$网络!径向基网络等!其应用非常广泛!=!>"%而&’算!!!!!!!!!2#!""$G!0""$,1""$"$法是6?@算法的推广%6?@算法因其结构简单&稳定性好!被因为信号功率与自适应的调节无关!所以自适应滤波器的广泛地应用于自适应滤波中%调节使2!$!""$"最小!就是使2#!0""$)1""$"!$最小!由式">$可得2#!$""$)!""$"!$!$!6?@算法变为最小!即自适应对消系统的输出信号在图A中!!""$为输入信号!#""$为理想输出信号!$""$为$""$与有用信号!""$的均方差最小%在理想情况下("时刻的误差!%A!%!!’!%&为权值!&为滤波器阶数%1""$C0""$"A"$令(则(’""$(!!""$!!"",A$!’!!"")&$"*1""$C!""$"AA$+""$(!%""$!%""$!’!%""$"*实际中自适应滤波器在$""$的控制下!按照最小均方准A!&则改变滤波器的权值!使系统输出误差的均方值2!$!""$"为最显然输出信号,""$是(小!从而达到干扰对消的目的!故自适应滤波器结构如图E*,""$(!%-""$!"")-BA$(+""$’""$"A$所示%.""$CD""$,,""$"!$0+"$%A!A自适应滤波的目的是根据一定的自适应算法!调整权矢8+"$1+"$7,A!量%对于6?@算法!选择性能函数为(%A!!!""$C!.!""$"C"D""$,+*""$’""$$!"E$6权矢量更新的方向是取性能函数!""$增加的负方向!即(图E用于噪声消除的自适应滤波器D%""$D!""$C,C!.""$!""$"F$D"D%""$图中!滤波器的输入是噪声源的当前值0""$和前一个值有(0"",A$%%""/A$(%""$/!".""$!""$"#$1""$(345.&-""%A!A0""$B%A!!0"",A$/6$"A!$式中!"是控制稳定性和收敛速度的参量!称之为步长按照最小均方准则!该自适应滤波器可以自动调节两个权因子%值%A!A!%A!!和一个偏置6的神经元!就可以实现需要的滤波!可以使噪声0以期望的方式被削弱和发生相移%E自适应噪声消除方法采用上述自适应滤波器基本单元!组成自适应噪声消除原F仿真结果分析理框图!如图!所示%语音检测方法是在背景噪声环境下进行的%为了评价上述恢复后的语音语音端点检测算法的效果!首先对一段纯语音信号和高斯白噪含噪语音#+"$C!+"$B0+"$.+"$BB声进行仿真!并与利用其他滤波方法进行比较!然后再对各种,误差-,不同信噪比的含噪语音进行测试%自适应过虑噪声!用于消除F$A自适应滤波与其他滤波的比较声噪分离混杂的信号首先!录取一段语音信号!采样频率为A=+IJ!E!"""个采混杂噪声0+"$自适应1+"$样点!话音内容为)@K;2L1K;M)L102.M231K;N/.MD*%运用滤波器?4O64&函数生成幅值为+,A!BA$区间上的均匀分布的高斯白噪声!并使其信噪比为AFD&%根据图!所示的噪声消除系统图!噪声消除的原理框图和图E所示的自适应滤波器!运用?4O64&仿真!利用不同的模拟采集数据进行噪声抵消性能测试!其结果如图F所示+为输入到麦克风的噪声可以通过图!中的自适应过虑系统了便于观察!这里仅取其中的#""个采样点$%在图F中!横坐减小到最低限度%#""$中含有希望提取的语音信号!""$和噪标为采样点数!纵坐标为信号的幅值%声0""$%即从图F+*$中可以看出!对于该段信号的前A""个采样点#""$C!""$/0""$"=$滤波效果不明显!从A""个点以后的滤波波形基本上能反映原0""$是对含噪语音进行声噪分离的噪声信号%由图中可始的信号!达到滤波的效果%这是因为在自适应滤波过程中!有知!自适应滤波器的输出1""$为0""$的滤波信号%因此!自适一个学习的过程!这个过程导致了前A""个采样点信号的应噪声对消系统的输出为$""$为(失真%$""$C!""$B0""$,1""$">$图#是利用变步长6?@算法进行自适应消噪!%"!语音信号而(与图F中的语音信号一样%比较图F+*$和图#可以发现!无论$!""$C!!""$B!0""$,1""$"!B!!""$G!0""$,1""$""%$是从波形的收敛速度或稳定性!还是从误差的大小上看!自适%%!""#$!%计算机工程与应用 应神经网络滤波都明显优于利用变步长&’(算法进行自适应收敛速度快)因此"在设计实际数字滤波器时选择合理的神经消噪!网络的层数和节点数"是制作一个性能良好滤波器的关键!另外"选择适当的学习率对于加快神经网络收敛速度"增强滤波器的实时性也是今后设计中应考虑的问题!图)噪声消除波形!-)?/")$!不同信噪比下的滤波波形图*不同信噪比下的滤波波形为了更好地观察自适应神经网络滤波器的滤波效果"在该段语音上叠加不同信噪比的噪声"并画出通过上述滤波器的的总的说来"自适应神经网络滤波器能很好地解决非线性问滤波波形"如图#所示!题"对噪声消除有较好的效果!&收稿日期*!""#年!月$参考文献-!’1,23+45+67+5$(+76558769:,856.:99;28.+78:2<*=6.42:5:>86<+2?.4+5562>6<"@#$12*0A:.66?82><:B7461CCC"!"")(!&!$*D-!EDDF!!GH;>>6A8"I/6A876558"(@+<+56$JK,A8?9;5789:?6L9;578MA+76@(NO@C&0B:A+?+P78Q6Q:8.6:Q6A10&1@O((0!""-$"@#$图#变步长&’(算法进行自适应消噪波形12*(+57&+36@87K"R(O"!""-(!*SDDTSD*D!@J@462"U8+2V;W+2>$(P6.356A6?;.78:2+2?6?>6624+2.69627:B从图*的几个图中可以看出"信噪比越高"滤波效果越好!XYC@N<.+289+>6<;<82>1@O"@#$12*H6Q86Z:B[;+2787+78Q6X:2?6N而由于含噪语音信号的收敛速度与自适应滤波器的学习率有<7A;.78Q6CQ+5;+78:2"!"")(!D)!O,48V87(0+2?K+"H:,6A7/’+.K著$刘勇等译$0+776A2H6.:>2878:2关"学习率越高"收敛速度就越快"但是"学习率过大就会导致Z87426;A+5267Z:A3<82@\"’#$北京*电子工业出版社"-FF%滤波的不稳定"因此"在自适应神经网络滤波的过程中"学习率#!R?+A’877+5"X+904+9?:$(8>2+5L2:8<6]&=,+<6?+PPA:+.4B:A62N的选择至关重要"在图)及图*#+$%图*&,$中的学习率均为4+2.82>A+?6?,K.:5:A6?2:8<6"^#$1CCC=A+2<(P66.4O;N"$"-"而在图*&.$中"学习率为"$"-#’?8:0A:.6<<82>"!"""(%&!$*-#FT-*S*!(1O9+A8"J0+A3"]I;3;98_;$O?+P78Q69674:?B:AA6+58_82>2+7;N#结论A+5>A+?862756+A282>B:A9;578N5+K6AP6A.6P7A:2<"^#$X6;A+5@:9P;7+N仿真结果表明"基于自适应神经网络噪声消除比通过其他78:2"!"""(-!*-DFFT-)"F除噪方式更有效的抑制噪声"可以应用于语音信号处理中"其S!W’++<<"CY(:27+>$X6;A+5　　1)从CCD器件及相机成像过程入手，对CCD器件本身特性引起的噪声、CCD相机成像过程中各种噪声源产生的噪声及其特点进行深入分析，并通过对CCD相机内部成像特性引起的成像误差进行研究，找出CCD噪声滤波复杂及效果不佳的原因，建立了CCD噪声模型，为本文CCD噪声滤波器的研究打下理论基础。
　　2)对当前常用的噪声滤波器(线性滤波器和非线性滤波器)进行分析，结合CCD噪声的特点，找出相关滤波器在对CCD噪声滤波方面的不足，提出一种新的结合神经网络的非线性滤波思路，并从理论方面证明其合理性和优越性。该方法在对ANS滤波器推导及分析的基础上，针对影响滤波效果的两大因素：滤波窗口和图像强度，将神经网络非线性逼近CCD噪声曲线，按照噪声参数对图像进行区域划分并分配相应的权值，同时自适应调整滤波窗口大小，然后结合相应的滤波器进行针对性滤波，最后综合输出。
　　3)作为上述滤波算法中的重要组成部分，对神经网络进行了单独讨论和分析。重点分析了其中应用最为广泛的BP算法的不足，对两种改进算法(小波算法与代数算法)进行系统的分析，并把它们分别构造基于上述滤波思路的非线性滤波器，通过对人工模拟噪声图像以及真实CCD相机含噪图像进行滤波实验，结果表明：该滤波算法在有效去除CCD噪声的同时图像边缘细节也得到了很好的保留，并提高了信噪比。同时根据实验结果，进一步对两种神经网络算法进行对比分析，找出两者的优缺点及需要改进之处，以便于两种算法的完善以及在非线性领域更好的应用。
　　4)提出一种结合小波神经网络的脉冲噪声滤波算法。该算法首先采用小波神经网络对图像像素进行噪声识别，将噪声像素与无噪像素区分开，然后根据精细划分公式计算，按照计算结果为噪声像素分配相应的比例系数，最后与中值滤波相结合输出。该方法确保在有效保护无噪像素的基础上，最大限度的去除噪声像素。实验结果表明，无论是PSNR、SNR对比，还是视觉效果和细节保留方面，该算法较以往常见滤波算法都得到了很大提高。
　　5)进一步对结合小波神经网络的脉冲噪声滤波算法进行分析，然后对其两种简化拆分算法进行了分析、对比和实验，找出三者的优缺点和最佳应用场合。对比实验证明：这三种算法各具特点，综合滤波算法去噪效果最佳，阈值判据法滤波速度最快，神经网络判定法介于两者之间，通过对三种算法的灵活运用来满足不同场合的需要，从而最大限度发挥各自的滤波特点，提高应用效率。2.期刊论文彭磊.田丽基于神经网络消除噪声技术的研究-黑龙江科技信息2009(16)针对应用神经网络对消除噪声技术进行了研究.主要完成了以下的研究工作:研究了利用神经网络来消除噪声的可行性.探讨了基于反向传播(BP)神经网络和基于径向基函数(RBF)神经网络的消除噪声,并利用MATLAB软件进行仿真,得出一系列仿真波形.3.学位论文郭照斌Bagging算法神经网络的抗噪声能力及应用2009众所周知，决定神经网络性能的一个重要因素就是训练样本的质量。尽管神经网络有一定的能力从含噪声样本中学习，但是对于很多问题来说，噪声的存在必然会影响其最后性能。而在实际应用中由于训练样本的采集设备、环境、传输等各方面的限制，人们无法避免噪声的出现。因此，探索一种方法来提高训练样本的质量是有必要的。本文作者根据bagging算法的特点和神经网络集成的特性，探讨了基于bagging算法的神经网络集抵抗样本中噪声的能力，若样本噪声量较小(比如说小于总样本数的35％)，则集成网络的结构、权值、输出等主要由非噪声样本决定，这就给基于bagging算法的神经网络集成过滤噪声提供了可能性，随后作者用UCI上的11组训练数据验证了基于bagging算法的神经网络集成具有很强的抗噪声能力和过滤噪声能力。最后作者将其应用于数学公式字符识别。本文章节安排如下：第一章首先介绍了神经网络和神经网络集成方面的基本知识，之后介绍了用神经网络来处理含不同类型噪声数据的三种典型的方法。第二章着重分析基于Bagging算法的神经网络集成在关于分类问题的小样本集上的抗噪声能力和噪声过滤能力，通过大量的数值实验表明，当训练样本的含噪声比例<35％时，该方法对绝大多数样本集有效。第三章详细介绍了数学公式识别技术及基于神经网络集成的数学公式字符识别器的设计，通过实验表明，它比单BP做细分类器将识别率约提高了6％。 4.会议论文庞业珍.吴群力.赵德有基于BP神经网络的管道噪声主动控制仿真应用经典信号处理方法进行主动噪声控制,对于频谱分布较简单的噪声控制效果明显,当噪声频谱变化剧烈以及出现非线性的情况下,传统方法则无能为力.神经网络有很强的处理非线性以及自学习能力.用BP神经网络分别对噪声序列以及误差序列进行学习,将噪声序列以及误差序列作为模型输入,将理论反馈作为模型输出,用辨识所得神经网络应用于管道噪声的主动控制,由仿真结果看,控制效果明显.5.学位论文李家林基于神经网络的声发射检测中噪声处理及有害度评价的研究1997该文在国内外现有研究水平的基础上,首次将神经网络信号处理的功能引入到声发射中,提出了利用人工神经网络实现复杂背景噪声下声发射滤波的新想法.然后根据现有声发射缺陷有害度评价的手段,提出了多因素神经网络综合评价的方法.6.期刊论文吴晓光.石仲堃.WuXiaoguang.ShiZhongkun基于神经网络和遗传算法的舰艇声纳自噪声预报-华中科技大学学报（自然科学版）2006,34(8)研究了舰艇航行时声纳部位接收到的全艇自噪声的预报问题.分析了影响声纳部位自噪声的各种参数,将BP神经网络和遗传算法相结合用于舰艇声纳部位自噪声预报.通过使用遗传算法对神经网络的初始权值进行优化,可以在解空间中定位出一个较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解.通过整理大量的测试数据,对神经网络进行训练,训练好的神经网络能够迅速而精确地对舰艇各种航行状态的自噪声进行预报.结果表明,该方法不仅具有足够的精度,而且实用方便、适用性强.7.学位论文关碧华噪声有源控制的神经网络方法及DSP实现2003该文主要针对基于线性自适应滤波器和神经网络的两类前馈有源噪声控制方法进行探讨.该文对单通道线性前馈自适应的Filtered-X,Filtered-error和Filtered-U算法进行了分析和仿真研究,也对单通道线性反馈自适应算法和将前馈和反馈方法结合在一起的混合算法进行了分析和仿真研究.该文对模糊神经网络算法也进行了分析和仿真,并对Filtered-X算法和BP算法在TMS320VC33DSP上进行了实验研究.仿真分析显示,对于系统存在严重非线性的吻合,前馈神经网络控制可以获得更理想的稳态降噪效果.由于神经网络可以实现非线性映射,它可以有效抑制和参考信号非线性相关的谐波噪声,而线性方法通常只能控制与参考输入相关的初级噪声.采用将误差经次级声路径滤波的可以使神经网络控制方法的计算量减少.8.学位论文付丽辉基于神经网络的抗噪声语音识别算法的研究2008语音识别的最终目标是实现人与机器之间进行自然语言的通信，它涉及到生理学、语言学、计算机科学以及信号处理等诸多领域。在语音识别的实际应用中，噪声一直是制约该技术广泛应用的主要问题之一。因此，本课题所确定的研究目标是提高噪声环境下语音识别的性能。语音识别是一个复杂的非线性过程，利用传统的基于线性系统理论的方法如隐马尔可夫(HMM)模型法来研究语音识别是有一定局限性的。另一方面，随着人工神经网络(ANN)研究与应用的逐渐深入，基于ANN的语音识别方法，逐渐成为人们关注的焦点并获得了良好的应用。因此，本文利用神经网络实现了语音识别系统的建立。本文首先介绍了语音识别的基本概念、背景噪声对语音识别的影响以及语音识别过程中的预处理、特征提取及识别算法等各个环节的常规方法，然后，重点阐述了本课题所研究的两个方面内容：其一，在前端的特征提取阶段，通过深入地了解目前与人类听力相关的生理及心理的种种研究成果，给出了一种新的抗噪特征提取方法，即小波与谱压缩相结合的方法；其二，在后端的识别器设计阶段，提出了一种改进的粒子群算法(IPSO)，并将该算法成功地用到了所设计的神经网络模型的参数学习中，建立了比较高效的基于改进的BP神经网络(IPSO-BP)及改进的量子神经网络(IPSO-QNN)的语音识别系统。通过MATLAB软件建立实验平台，对常规的识别方法与新的识别方法的识别性能与应用特点进行了比较、验证，仿真实验证明新算法的识别效果良好。9.期刊论文吴方良.石仲堃.杨向晖.陈锐.WUFang-liang.SHIZhong-kun.YANGXiang-hui.CHENRui基于BP神经网络与L-M算法的潜艇声纳自噪声预报-中国造船2006,47(3)L-M(Levenberg-Marquart)算法与BP(Back-Propagation)神经网络相结合,使神经网络在多样本、大变量输入的情况下,具有更快的收敛速度和更高的逼近精度.将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报;分析了影响潜艇声纳自噪声的各种声源参数;利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳自噪声进行精确预报.10.学位论文常振臣基于神经网络的车内噪声自适应有源控制系统仿真与试验研究2003该文结合国家教育部高等学校博士学科点专项科研基金资助项目"车内三维弹性结构封闭空间的有源消声研究",在分析车内噪声产生机理的基础上,建立了基于神经网络的车内噪声自适应有源控制系统,编制了相应的控制系统软件,对降低轻型客车车内噪声进行了全面的试验与研究.1.深入分析了发动机噪声的产生机理和由于车厢壁板振动产生噪声的机理,找到了被试车辆车内噪声的主要影响因素.2.提出了车内噪声信号识别预测的神经网络方法,以解决实时有源控制中,因初、次级声场混叠而导致在初级声场采样传声器上无法采集纯初级声场声压信号问题.通过所建立的车内噪声BP神经网络模型,对室内稳态工况、非稳态工况和道路试验三种工况下车内噪声进行了预测.3.开发了基于神经网络的车内噪声自适应有源控制系统.在分析自适应有源控制系统各工作部件性能的基础上,对功率放大器、扬声器及声级计组成的次级声学通道进行了试验研究,采用Visualc++和汇编语言开发了控制系统的软件.4.采用ADALINE神经网络对车内噪声自适应有源噪声控制系统的次级声通道进行了辨识.利用Matlab软件开发了基于Simulink的车内噪声自适应有源噪声控制仿真系统.对车内特定点的噪声进行了控制仿真,选择了自适应算法的有关参数.5.利用所建立的基于神经网络的车内噪声自适应有源控制系统,对某轻型客车车内噪声在室内稳态工况、非稳态工况和道路试验三种工况下进行了有源控制试验.6.采用小波分析方法,对室内非稳态工况下的车内噪声的控制情况进行了分析.该文所开发的基于神经网络的车内噪声自适应有源控制系统对车内低频噪声具有较好的降噪效果.为进一步开发实用型车内噪声自适应有源控制系统奠定了基础.引证文献(7条)1.蒋静群.简金蕾.任宏滨基于自适应神经网络滤波的引信去噪声研究[期刊论文]-现代防御技术2008(6)2.罗俊海.叶丹霞.李录明在噪声抵消应用中自适应滤波算法性能的仿真比较[期刊论文]-电子测量与仪器学报2008(4)3.孙丽.孙铁利.张建国基于径向基神经网络的速度滤波器[期刊论文]-计算机工程与设计2008(4)4.李目.谭文.周少武.刘祖润基于自适应神经模糊推理系统的噪声消除方法[期刊论文]-计算机仿真2008(2)5.董翠英.王志秦基于RBF神经网络滤波的噪声消除[期刊论文]-唐山学院学报2007(6)6.舒服华应用RBF神经网络诊断纺织空调送风风机故障[期刊论文]-天津纺织科技2006(4)7.舒服华.王志辉减聚类自适应径向基神经网络压滤机故障诊断[期刊论文]-矿山机械2006(7)本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjgcyyy200528020.aspx授权使用：中国石油天然气股份有限公司锦州石化分公司(zgsytrqjzsh)，授权号：7aa3a5ed-c288-461d-86f4- 9e890132b579下载时间：2011年2月13日