You are here: MatlabCode > 收敛速度
收敛速度
-
-
LMS算法的基本思想
若不希望用与估计输入信号矢量有关的相关矩阵来加快LMS算法的收敛速度，那么可用变步长方法来缩短其自适应收敛过程，其中一个主要的方法是归一化LMS算法（NLMS算法），变步长 的更新公式可写成W（n+1）=w（n）+ e（n）x（n）=w（n）+ （3.1）式中， = e（n）x（n）表示滤波权矢量迭代更新的调整量。为了达到快速收敛的目的，必须合适的选择变步长 的值，一个可能策略是尽可能多地减少瞬时平方误差，用瞬时平方误差作为均方误差的MSE简单估计，这也是LMS算法的基本思想。 -
建立小波神经网络负荷预测模型
建立小波神经网络负荷预测模型，并对小波神经网络的节点（输入层、中间层、输出层）进行选择，并选用合适的小波神经网络的训练函数，提高收敛速度和负荷预测精度。 -
自适应粒子群算法
自适应粒子群算法，自适应粒子群算法，在普通的粒子群算法里面加入了熵和平均粒距的概念，收敛速度大大提高，而且不容易陷入局部最优，能更有效的解决复杂问题。 -
基于模拟退火的粒子群算法
基于模拟退火的粒子群优化算法，其基本思想是在小范围内随机扰动生成一个新位置，并计算新旧位置的适应值，按照模拟退火算法的Metropolis接受准则，接受一个新位置作为最优位置。试算结果表明，该方法显著改善了优化的效果，并加快了算法的收敛速度，提高了反演效率。 -
matlab代码实现FastICA算法
FastICA算法，用于信号的独立分量分析，在ICA的基础上加快了收敛速度，有更高的效率！并且增加了图象界面，使用方便！ -
matlab代码实现人工鱼群算法
人工鱼群算法，在一片水域中，鱼往往能自行或尾随其他鱼找到营养物质多的地方，因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方，人工鱼群算法就是根据这一特点，通过构造人工鱼来模仿鱼群的觅食!聚群及追尾行为，从而实现寻优，以下是鱼的几种典型行为:(1)觅食行为:一般情况下鱼在水中随机地自由游动，当发现食物时，则会向食物逐渐增多的方向快速游去。(2)聚群行为:鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群，鱼聚群时所遵守的规则有三条:分隔规则:尽量避免与临近伙伴过于拥挤 对准规则:尽量与临近 -
自适应算法采用 NLMS算法
更新部分1、自适应算法采用参考文献[2]的NLMS算法，收敛速度更快，所需训练次数更少。2、自适应收敛步长在(0，2)之间存在较优取值，Lorenz序列为0.6。 -
改进的粒子群算法--自适应粒子群算法
改进的粒子群算法--自适应粒子群算法，在普通的粒子群算法里面加入了熵和平均粒距的概念，收敛速度大大提高，而且不容易陷入局部最优，能更有效的解决复杂问题。 -
对LMS和RLS两种算法进行仿真
利用matlab仿真软件对LMS和RLS两种算法进行仿真，通过仿真比较了两种算法的收敛速度，对两种算法收敛后的误码率进行分析，研究了步长对LMS算法均方误差性能曲线的影响和遗忘因子对RLS算法性能曲线的影响。
