设计一个基于Bartlett窗口使用GRNN数字滤波器

Ajeet Maheshwari¹芒康Karuna²

P。G的学生,电子工程系Madhav研究所科技瓜廖尔,印度。
电子工程系副教授Madhav研究所科技瓜廖尔,印度

文摘

在本文中,我们设计了数字滤波器基于Bartlett窗口函数使用安。首先我们设计了第十阶数字滤波器基于Bartlett窗口函数然后计算设计滤波器的系数。归一化频率,设计滤波器在频率范围0.05 - 1赫兹。然后我们计算滤波器的系数在不同的频率。一些数据组系数是用来训练使用广义回归神经网络设计算法和其他作为神经网络的输入进行测试。测试对应的输出频率近似等于对应计算系数使用FDA工具。神经模型的优化已经完成使用广义回归算法。径向基函数是用于神经网络的训练

关键字

安,GRNN神经网络

介绍

一个过滤器本质上是一个系统或网络,有选择地改变波形振幅-频率或相位频率特性的信号以期望的方式。常见的过滤目标是改善信号的质量,从信号中提取信息,或者单独的两个或两个以上的信号。数字滤波器是一种数学算法实现在硬件和/或软件,作用于一个数字输入信号产生一个数字输出信号达到过滤的目的目标。实时数字滤波器的简化框图,用模拟输入和输出信号如figure.1所示

滤波器的设计是一个过程,转换输入序列的获得所需的输出序列。滤波器设计过程可以被描述为一个优化问题,每个需求方面的误差函数应该最小化。数字滤波器有两种类型,有限脉冲响应(杉木)过滤和无限脉冲响应(IIR)过滤器。摘要人工神经网络的概念,也是一个广泛的研究领域?设计的主要目标是找到递归定义滤波器传递函数的系数。在本研究工作中,DSP神经网络组合在一起以产生一个优秀的数字滤波器设计算法在前面的工作,冷杉过滤器是由最小二乘法和频率抽样设计方法。延时和RBF算法被用来训练神经网络模型。上述方法的效率大约是93%,但是当广义回归算法精度约为98%。这种方法的优点。

使用窗口方法设计数字滤波器

窗口的方法需要最少的计算工作;所以窗口方法实现起来比较简单。给定窗口的最大振幅脉动的滤波器响应是固定的。因此,阻带衰减是固定在给定窗口中,但是该方法的也有一些缺点。数字滤波器的设计不灵活。冷杉滤波器的频率响应的卷积窗函数的频谱& de-sired频率响应,因为这一切;通带和阻带边缘频率不能精确地指定。在这个工作我们使用Bartlett窗口的方法。

文献调查

Awadhesh古普塔等,发表了一篇论文在低通FIR和IIR滤波器的设计和分析,找到最佳结果用神经网络。作者设计了低通FIR和IIR滤波器,并试图减少旁瓣和紧凑的主瓣的大小然后比较结果用神经网络滤波器设计。滤波器设计使用神经网络给出了更好的结果与传统的设计方法。

Kaur Harpeet等人发表了一篇论文在设计低通滤波器使用人工神经网络。作者设计的低通滤波器基于Keiser窗口函数。阻带衰减(SBT),过渡宽度(TW),通带波纹(PBR),采样频率和滤波器长度是不同的参数。这工作是使用30所有不同的参数值。使用神经网络训练相同的滤波器。滤波器系数可以很容易地计算滤波器的使用一些已知的参数。

已经古普塔等人发表了一篇论文在设计低通滤波器使用泛化回归神经网络。作者设计矩形窗口FDA工具MATLAB和计算设计滤波器的系数对应于切断频率。然后从FDA使用收集的数据训练神经网络工具。相应系数的准确性切断频率使用神经网络比设计滤波器在FDA的工具。

人工神经网络

一个人工神经网络(ANN)也被称为“神经网络(NN)”是一个计算模型基于生物神经网络的结构和功能。换句话说安是计算系统是由大量简单的处理元素(电脑相当于神经元节点),是高度相互关联相互通过突触权重。节点的数量,这些连接的组织和突触权重确定网络的输出。安是一个自适应系统,改变其结构/重量根据给定的一组输入和目标输出在训练阶段的相应产生最终的输出。安时特别有效预测事件的网络有大型数据库之前的例子。安的共同实现有多个输入,与每个输入相关的重量,一个阈值,确定神经元应该火,一个激活函数,确定输出和操作方式。神经网络的总体结构有三种类型的层相互联系:输入层、一个或多个隐藏层和输出层,如图2所示。

有一些算法,可以用来训练一个安如:反向传播,径向基函数,和支持向量学习等。反向传播是最简单的,但它有一个缺点,它可以把大量的迭代收敛到期望的解决方案[3]。在径向基函数(RBF)网络隐藏神经元计算径向基函数的输入,这是类似于内核内核函数回归。演讲推广内核回归,他称一般回归神经网络(GRNN) [3]。广义回归神经网络(GRNN)是一个变化的径向基函数(RBF)网络是基于Nadaraya -沃森内核回归。GRNN的主要特点是快速训练时间和它也能模型非线性函数。GRNN Sprecht于1991年首先提出的是一种前馈神经网络模型基于非线性回归理论。它通过激活神经元近似函数。GRNN网络结构由三层组成:输入层、径向基隐藏层和线性输出层,如图3所示。隐层的传递函数是径向基函数。

配方的问题

本文的目的是评估冷杉的切断任何给定的频率系数滤波器从以前的工作,提高结果的准确性。精度是由com-paring fdatool和nntool结果。培训的目的,我们使用的输入输出数据集来自fdatool,用于测试目的,我们使用一个使用nntool测试输入和模拟它。

方法

在这种方法中,我们使用Bartlett窗口过滤技术设计和广义回归神经网络训练的目的。

步骤1

由fdatool低通数字滤波器设计。过滤器的顺序是10。我们使用fre-quency范围从0到1。然后设置fc的价值= 0.05和设计过滤器。重复相同的过程fc值从0.1到1。这给19集的输入和输出数据。我们使用这些19集17培训和2进行测试。在这里输入h fc (n)和输出。第一步是下面的截图如图3所示

步骤2

在这一步我们设计的神经网络模型nntool如图5所示。Train-ing是通过GRNN和传播常数设置为0.1。训练后,模拟网络测试输入如图5所示,6和仿真结果如图7所示。

结果与讨论

在上面的实验中,根据表2:(由于fdatool)测试输入的h (n),输出fc是0.55和0.85。这个结果是演绎从滤波器设计工具。根据表3:(仿真结果从nntool)的输出相同的测试输入的h (n)是0.5537和0.83923。这个结果来自神经网络工具。所以结果nntool fda-tool几乎是相同的,通过这一过程我们可以很容易地估计任何冷杉过滤器的切断频率

结论

从这个实验我们估计切断频率和其他参数滤波器系数GRNN的帮助,这是非常简单的方法比复杂计算窗口的方法。上述数据显示,结果来自Bartlett窗口法和人工神经网络几乎是相同的。这GRNN训练算法的滤波器设计目的是更好的比其他训练算法延时、RBF等等。在前面的工作中,当延时被用作训练算法,结果大约是93%准确的。利用广义回归算法,结果几乎是97%的准确性。所以增加5%的精度,这是非常有效的。

引用

微积分,“神经网络——全面的基础”,普伦蒂斯霍尔印度私人有限,新德里,(2003)。
Neha Aggarwal Sheenu塔帕尔,Parmindar kaur”设计一个低通FIR低通滤波器使用基于粒子群优化的人工神经网络”(IJETTCS) 1期4卷,2012年12月。
Jasdeep辛格charanjit辛格设计低通滤波器的使用(GRNN) (IJARCSSE)卷3期2013年10月10日。
j·g·Proakis和d . g . Manolakis“数字信号处理原理、算法和应用程序”,普伦蒂斯霍尔印度新德里,(2000)。
j·拉森,“设计神经网络过滤器”,博士论文,电子学院、丹麦技术大学(1993)。
m . o . Ahmadand j·d·王,”一位分析最小二乘解二维FIR滤波器的设计问题与象限盟友对称或ant对称的频率响应”,IEEE反式。电路系统。,vol. CAS-36,(1989),pp. 968-979.
s . Burrus j . a . Barretoand i . w . Selesnick“迭代再加权最小二乘设计FIR滤波器”,IEEE反式。信号处理、42卷,(1994),页。2926 - 2936。
w . Tankand j . Hopfield”简单的神经网络优化:A / D转换器、信号判定电路,和一个线性编程电路”,IEEE反式。电路系统。,vol. CAS-33, (1986), pp. 533-541.
l . r . Rabinerand b .黄金,“数字信号处理的理论与应用”,恩格尔伍德悬崖,台北:新世纪,(1989)。
r . Algaziand m . Suk,“有限的时间过滤器的频率加权最小二乘设计”,IEEE反式。电路系统。,vol. CAS- 34,(1987),pp. 80-95.
t . Saramaki“有限脉冲响应滤波器设计手册对数字信号处理,s . k . Mitra和j·f·凯撒。威利,纽约,纽约,美国(1993年)。
d . f . Spechtand p·d·夏皮罗,“训练速度比较概率神经网络与bp网络”,Proc, Int。神经网络设计。(法国巴黎),卷1,(1990年)7月,页440 - 443。
d . f . Specht”系列估计概率密度函数”,Technimetrics, 13卷,不。2,(1971)。
为概率p . Burrascano“学习矢量量化神经网络”,IEEE反式。神经网络,卷2,(1991年)7月,页458 - 461。
到了Celikoglu”,应用径向基函数和广义回归神经网络的非线性效用函数规范的交通方式选择模型”,数学计算模型中,44卷,(2006),页640 - 58。
E.J.Tkaczand p·科斯塔斯”,应用小波神经网络的分类对冠状动脉疾病患者基于HRV分析”,《年度IEEE国际会议上,生物医学工程,(2000),页。1391 - 1393。
h·德穆斯,m .比尔“使用MATLAB神经网络工具箱”,用户指南,3.0版本。
d . f . Specht估算一般回归表面的“实用技术”,洛克希德导弹与航天公司,Inc .,帕洛阿尔托,CA, lmsc - 6 - 79 - 68 - 6,还可作为国防技术信息中心广告- 672505或NASA n68 - 29513, 6月(1968)。