一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度.在Matlab平台上分析了改进的步长函数中参数α;β以及γ的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性.     

基于Sigmoid函数的变步长LMS自适应滤波算法性能分析

总结了最小均方（LMS）、基于Sigmoid函数的变步长（SVS）-LMS、改进的SVS-LMS和基于误差相关的变步长LMS自适应滤波算法,讨论了各算法的收敛性能、跟踪性能和稳态误差,并通过计算机仿真,分析、验证各种变步长算法的不同性能表现以及误差阶数对算法性能的影响,给出了合理的建议。     

一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度。在Matlab平台上分析了改进的步长函数中参数\begin{document}$\alpha $\end{document},以及的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性。     

一种改进的变步长NLMS算法

针对传统NLMS使用固定步长而出现的收敛速度和稳态误差的矛盾,提出一种改进的变步长NLMS算法。该算法建立了步长与误差的函数关系,使步长随着输出误差和噪声误差的变化而动态更新,从而降低稳态误差。理论分析和仿真结果表明,与现有NLMS算法相比,改进的算法具有更快的收敛速度和更低的稳态误差。     

基于变步长LMS的自适应匹配算法

基于最小均方误差准则,提出了一种用于抑制异步直扩CDMA系统中的多址干扰的变步长LMS自适应匹配算法。计算机仿真结果表明,基于该类算法的自适应解扩多用户检测器无须知道任何用户的地址码,具有良好的抗远近效应能力,与类似的变步长LMS算法相比,该算法具有更低的误码率、更快的收敛速度和跟踪速度,特别是其控制参数在信道参数发生变化时不需重新调整,同时具有广泛的应用前景。     

一种新的变步长LMS自适应滤波算法

本文通过建立步长因子μ与误差信号之间的非线性函数关系,提出了一种新的变步长LMS(LeastMean Square)算法.该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,且克服了S函数变步长LMS算法(简称SVSLMS算法)在自适应稳态阶段μ(n)取值偏大的缺陷.理论分析和计算机仿真结果表明该算法的性能优于SVSLMS算法.     

一种新的变步长LMS自适应算法及其性能分析

通过建立步长因子μ与误差信号e之间的非线性关系,提出一种新的基于箕舌线的变步长LMS算法。该算法具比有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点。仿真结果表明,其收敛速度、稳定性以及跟踪速度优于传统固定步长LMS算法和SVSLMS算法,且不须进行指数运算,计算复杂度低于SVSLMS算法。     

全双工射频自干扰改进时变步长NLMS对消算法

针对现有基于最小均方误差准则的全双工射频域自干扰对消算法存在收敛速度与干扰对消比相互制约的矛盾,提出一种改进时变步长归一化最小均方算法。该算法通过建立最小均方误差步长因子与改进时变sigmod函数的非线性关系,利用实时误差信号自相关和时间参量t协同控制步长因子μ(t),较好的兼顾了收敛速度与干扰对消比。分析与仿真表明:在干信比为80dB、步进间隔Δt=1/32ms、信噪比Eb/N0=10 dB的2FSK全双工系统模型下,该算法能够实现88dB的自干扰消除高出同类算法至少1.5dB且收敛速度和抗突发干扰能力提升显著。      

改进变步长LMS算法在系统辨识中的应用及性能分析

提出一种改进的自适应变步长最小均方（LMS）算法,该算法利用e^4（n）和遗忘因子λ（n）共同调整步长,同时具有在初始阶段和未知系统时变阶段自适应步长增大而稳态时步长变小的特点,更好地解决了稳态误差与收敛时间之间的矛盾。将该算法应用到系统辨识中,与一般的变步长算法相比,改进算法具有更快的参数辨识速度和更小的稳态误差,同时还具有很好地跟踪多时变系统的能力。     

基于最小线性均方估计的小波去噪算法

提出一种新的基于最小线性估计正交小波图像去噪算法。该算法把降噪过程直接看作是一个小波系数的加权和,而不是为小波系数假设一个统计模型。在此,基于最小线性均方估计构造去噪函数,然后最小化均方误差,得到一组估计参数,从而得到线性去噪函数,实现对非线性去噪算法的改进,其最大的好处就是不用先验知识;最后通过使用该去噪算法对一定噪声级数的标准图像进行处理,并与目前去噪效果最好的BLS-GSM方法进行了比较。结果表明了该方法的有效性。     

Improved variable step-size LMS algorithm based on hyperbolic tangent function

In order to improve that the LMS algorithm for determining step size cannot satisfy both rapid convergence and low steady-state misalignment errors,a variable step size algorithm (IVSSLMS) based on an improved hyperbolic tangent function was proposed.The step size feedback factor and the correlation value of the error signal were used to adjust the step size,and the problems of slow convergence speed and poor anti-noise ability of the fixed-step size algorithm was overcame.The performance and parameters settings of the proposed algorithm were analyzed.The simulation results show that IVSSLMS has a faster convergence rate,lower steady-state error and better system tracking capability than the existing variable step size algorithms under high and low SNR conditions.     

基于自适应系统辨识的收发隔离技术研究

收发隔离是机载干扰机不可避免的难题。如果收发隔离问题解决不好,轻则削弱干扰机效率,重则造成自发自收,形成自激励。固定步长的归一化最小均方误差(NLMS)算法在解决基于自适应系统辨识的收发隔离的问题时,由于精度不够,隔离效果很不理想。针对此问题提出一种基于先验误差的变步长NLMS算法,该算法依据相邻时刻先验误差的相关系数改变步长因子,改变后的步长因子能够在算法收敛过程中削弱噪声的影响,提高算法精度。理论分析和仿真结果证明:基于文中的变步长NLMS算法的收发隔离方案与基于其他最小均方误差算法的隔离方案相比,隔离性能有较大的改善。     

平方根变步长lp范数LMS算法的稀疏系统辨识

针对稀疏未知系统的辨识问题,提出了一种基于lp(0相似文献   

一种约束稳定性最小均方噪声对消算法

研究了最小均方误差(LMS)算法、归一化的最小均方(NLMS)算法及变步长NLMS算法在自适应噪声干扰抵消器中的应用,针对目前这些算法在噪声对消器应用中的缺点,将约束稳定性最小均方(CS-LMS)算法应用到噪声处理中,并进一步结合变步长的思想提出来一种新的变步长CS-LMS算法。通过MATLAB进行仿真分析,结果证实提出的算法与其他算法相比,能很好地滤除掉噪声从而得到期望信号,明显的降低了稳态误差,并拥有好的收敛速度。     

变步长LMS自适应滤波算法及其分析

对变步长（LMS）自适应滤波算法进行了讨论,通过对Sigmoid函数修正,建立了步长因子与误差信号之间新的非线性函数关系。新函数在误差接近零处具有缓慢变化的特性,克服了Sigmoid函数在自适应稳态阶段步长调整过程中的不足,实现了对SVS—LMS算法的改进。理论分析和计算机仿真结果表明,本算法的收敛性能优于SVS-LMS算法。另外,还对本算法与VS-LMS算法进行了比较,仿真结果表明本算法在低信噪比环境下比VS-LMS算法具有更好的抗噪性能。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

一种新的变步长LMS自适应算法

研究了自适应最小均方误差滤波算法的步长选取问题。在分析现有变步长LMS算法的基础上,给出一种以双曲正切函数的改进形式为变步长的LMS算法。在相同收敛速度的前提下,该算法具有更小的超量均方误差;而在相同超量均方误差的前提下,该算法具有更快的收敛速度。经实验,仿真结果与理论分析相一致,证实了该算法的优越性。     

基于小波变换变步长LMS自适应信道均衡的新方法

结合变换域最小均方(LMS)和变步长LMS算法的优势,提出了一种基于小波变换的变步长LMS自适应均衡方法。该方法中步长调整函数采用了改进的Sigmoid函数,该函数具有简单且误差信号接近零时变化缓慢的特点。并且,在训练模式、判决引导模式以及混合模式下,将提出方法和传统均衡方法进行了仿真比较。结果表明,所提出的方法比传统的线性LMS算法、变步长LMS以及小波变换LMS收敛更快、性能更优。     

Sparse LMS/F algorithms with application to adaptive system identification

Standard least mean square/fourth (LMS/F) is a classical adaptive algorithm that combined the advantages of both least mean square (LMS) and least mean fourth (LMF). The advantage of LMS is fast convergence speed while its shortcoming is suboptimal solution in low signal‐to‐noise ratio (SNR) environment. On the contrary, the advantage of LMF algorithm is robust in low SNR while its drawback is slow convergence speed in high SNR case. Many finite impulse response systems are modeled as sparse rather than traditionally dense. To take advantage of system sparsity, different sparse LMS algorithms with l_p‐LMS and l₀‐LMS have been proposed to improve adaptive identification performance. However, sparse LMS algorithms have the same drawback as standard LMS. Different from LMS filter, standard LMS/F filter can achieve better performance. Hence, the aim of this paper is to introduce sparse penalties to the LMS/F algorithm so that it can further improve identification performance. We propose two sparse LMS/F algorithms using two sparse constraints to improve adaptive identification performance. Two experiments are performed to show the effectiveness of the proposed algorithms by computer simulation. In the first experiment, the number of nonzero coefficients is changing, and the proposed algorithms can achieve better mean square deviation performance than sparse LMS algorithms. In the second experiment, the number of nonzero coefficient is fixed, and mean square deviation performance of sparse LMS/F algorithms is still better than that of sparse LMS algorithms. Copyright © 2013 John Wiley & Sons, Ltd.