低信噪比下的变步长最小均方自适应算法及其在时延估计中的应用

为提高变步长最小均方(LMS)自适应算法在噪声干扰下的时变时延跟踪性能,提出改进的变步长LMS自适应算法.该算法对MVSS-LMS算法进行误差均值补偿,改步长因子固定范围约束为动态变化约束;使用HB加权突出自适应滤波器权系数峰值,采用滑动窗遗忘加权减小计算复杂度.自适应时延估计仿真实验和消声水池目标被动定位试验表明:相比于参数固定条件下的MVSS-LMS算法和SVS-LMS算法,改进算法能够获得更好的时变时延跟踪性能.     

基于改进LMS自适应滤波的局部放电噪声抑制方法

为了解决局部放电测量现场中信号淹没在周期性窄带干扰中的问题,文中提出一种应用于变压器局部放电在线监测系统的改进变步长最小均方(LMS)自适应滤波算法,通过构造一个新型滤波函数结合实际情况中AD芯片量程自适应调整步长,解决了传统LMS算法需要阶数和步长匹配,收敛性差,容易发散的缺点。通过改变滤波器阶数和参考信号时延,分析改进算法收敛速度及稳态误差,并对测试中发现时延为0的特殊情况进行了讨论分析,为高信噪比自适应滤波器设计提供了参考。改变新方法初始迭代步长同传统固定步长LMS算法的迭代过程进行了仿真对比,证明了新方法具有收敛速度快、不易发散的优点。最后,通过实验室搭建的变压器局放在线监测装置,对比分析了实测数据下传统LMS算法与本文算法的不同效果,通过对信噪比(SNR)、均方误差(MSE)和波形相似系数(NCC)三种指标对比,验证了新方法的优越性。     

基于加权平均梯度的变步长LMS算法

为了尽可能减少影响变步长LMS算法性能的因素,提出了基于加权平均梯度的变步长LMS算法.该算法的滤波器权系数在收敛的过程中自适应接近最优权矢量,算法利用平滑梯度矢量的欧式范数和瞬时误差控制步长更新,并从理论上分析了算法的稳态误差.与其他几种变步长LMS算法对比,该算法的收敛速度最快、稳态误差最小.     

一种新的变步长LMS算法

对已有的一些变步长LMS自适应滤波算法进行了分析,在此基础上提出一种改进的变步长LMS算法.该算法建立了步长因子与误差信号和权系数变化之间的非线性函数关系,从而使权向量异步更新达到最佳.仿真结果表明,该算法具有更快的收敛速度,更小的稳态误差及更平稳的收敛过程.     

基于信噪比的改进变步长LMS算法及应用

在无线直放站反馈干扰抵消的过程中,自适应滤波器的误差信号可以接收目标信号与残余回波的混合,是阻碍滤波器根据残余回波强度,快速调整抽头系数.利用误差信号的特点,给出了一种基于信噪比的改进变步长最小均平方(least mean square,LMS)自适应算法.该算法利用误差信号和滤波器的输出信号作为目标信号和反馈干扰信号的估计,根据目标与干扰信号的功率比值来调整自适应滤波器的步长.计算机仿真结果表明,该算法具有快速的初始收敛速率和较小的超量均方误差.在稳态情况下,对于干扰的突变能够快速地再次收敛,表明该算法在反馈干扰抵消方面的性能优于已有的算法.     

一种时域变步长BLMS自适应算法

在块最小均方LMS自适应滤波算法(BLMS)的基础上,提出了一种新的变步长的BLMS算法,该算法中的步长随着块平均误差增加或减小而相应地变大或变小,并引入补偿因子,使得自适应滤波器在调节权值的过程中块均方误差在接近零处具有缓慢变化的特性。理论分析和实验仿真表明,该新算法具有比BLMS算法较快的收敛速度,较小的稳态误差,有较好的抑制噪音的能力,有利于实时数字信号处理。     

一种基于交互投影原理的快速自适应横向传播建模算法

针对最小均方建模算法用于长记忆有限脉冲响应滤波器模型时收敛速度慢的问题,提出了基于交互投影原理的横向传播建模算法(简称为TPLMS算法).该算法将滤波器按质因数分解为多组滤波器组合,从最短的子滤波器分组开始迭代,逐步过渡到原滤波器,在每一时刻,采用最小均方算法顺序求解分组内各子滤波器的权系数.在迭代过程中,由于滤波器的长度缩短,从而可采用更大的步长,使权系数以更快的速度收敛.随着子滤波器长度的逐步增加,可以逐步减小迭代步长,从而得到较低的失调误差.仿真结果表明,TPLMS算法的收敛速度优于传统的最小均方算法和变步长最小均方算法.该算法收敛速度快,特别适用于长记忆有限脉冲响应滤波器模型的自适应建模.     

归一化LMS算法自适应滤波器的MATLAB仿真与DSP实现

固定步长LMS算法自适应滤波器在收敛速度与稳态误差之间存在矛盾,变步长LMS算法的步长因子是变化的,能够灵活避免此矛盾.分析了两种变步长LMS算法自适应滤波器基本原理,先使用MATLAB对其分别进行仿真,之后应用SZ-EPP5416评估板对其分别进行了DSP实现,仿真结果与DSP实现都表明变步长LMS算法改善了收敛速度与稳态误差间矛盾,但归一化LMS算法能更好地改善固定步长LMS算法的矛盾,具有更快收敛速度与更小稳态误差.     

基于梯度向量的变步长LMS算法

传统的最小均方误差(Least Mean Square)算法难以同时获得较快的收敛速度和较小的稳态误差。本文在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,通过建立步长参数与梯度向量之间的一种新的非线性函数关系,提出一种改进的变步长LMS算法。分析和仿真表明,改进后的算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

一种基于质点动力学原理的快速自适应建模算法

针对自适应逆控制技术中最小均方(LMS)算法建模速度慢的缺点，基于重力场中超曲面上质点的动力学原理，提出了一种快速自适应建模算法．该算法的特点是将滤波器权系数的迭代求解过程类比为重力场中超曲面上质点的运动，在质点的自由运动微分方程中加入比例阻尼项，使各模态的阻尼系数均接近于临界阻尼，从而使权系数以较快速度收敛，并利用质点微分方程中的非线性项实现变步长迭代，明显提高了自适应维纳滤波器的权系数收敛速度．仿真试验结果证明该算法优于LMS算法．该算法运算代价小，收敛速度快，可替代LMS算法用作自适应逆控制的建模工具。     

变步长自适应滤波算法的谐波检测

为提高自适应滤波算法的收敛速度,并降低其稳态误差,建立了LMS算法理论最优步长值与误差信号和输入信号之间的关系,提出了一种新的变步长LMS自适应谐波检测算法。该算法的优点是:根据误差信号的平方时间均值估计来调节步长因子,克服了以往算法在自适应稳态阶段步长调整过程中的不足。即使待检测信号的信噪比较低,检测过程也具有较快的动态响应速度和保持较小的稳态失调噪声。计算机仿真表明,该算法具有更好的收敛精度。     

变步长的LMS盲多用户检测

提出了一种变步长LMS自适应盲多用户检测算法，克服了定步长自适应算法的收敛步长与输入信号自相关矩阵特征值大小有关的缺点，使算法的步长能够随输入信号矢量的变化而变化，提高了算法的收敛性能，使其更加符合实际工作的需要。并通过计算机模拟仿真，比较了变步长算法和固定步长算法的性能。     

Active micro-vibration control based on improved variable step size LMS algorithm

The contradiction of variable step size least mean square(LMS) algorithm between fast convergence speed and small steady-state error has always existed. So, a new algorithm based on the combination of logarithmic and symbolic function and step size factor is proposed. It establishes a new updating method of step factor that is related to step factor and error signal. This work makes an analysis from 3 aspects: theoretical analysis, theoretical verification and specific experiments. The experimental results show that the proposed algorithm is superior to other variable step size algorithms in convergence speed and steady-state error.     

基于反双曲正切函数的变步长LMS算法

针对定步长的LMS算法无法同时满足低稳态误差和快收敛速度这个需求,本文提出了一种基于反双曲正切函数的变步长LMS算法. 该算法基于反双曲正切函数构建步长与误差信号之间的非线性函数关系式,以此来替代LMS算法中的定步长,实现了对步长因子的动态调整. 文中详细讨论了新的变步长函数中参数α,β和γ对于算法性能的影响,并和其他几种较新的变步长算法进行了性能比较. 仿真结果表明,所提算法很好地兼顾了收敛速度、稳态误差和跟踪性能,在系统辨识、正弦信号去噪和自适应线性预测方面表现出了优异的性能.      

个别时变步长LMS自适应算法

本文提出一种步长自适于输入信号与预测误差相关的个别时变步长最小均方(IVLMS)自适应算法。给出步长的物理解释,导出算法的收敛条件、权二阶矩矩阵差分方程和稳态失调量。将个别时变步长的思想应用于归一化LMS算法和分块LMS算法,均获得良好效果。     

一种基于稀疏重构的NB-IoT时延估计算法

针对传统的时延估计算法无法解决窄带物联网(narrowband internet of things, NB-IoT)低速率低功耗引起的估计精度低、计算复杂度高等问题,提出一种加入代价函数模型的基于稀疏重构的时延估计算法。利用窄带定位参考信号(narrowband positioning reference signal, NPRS)与传统的正交匹配追踪算法(orthogonal matching pursuit,OMP)进行时延值预估计,然后根据预估计的时延值构建冗余字典,在此基础上利用改进的OMP算法进一步对时延值进行估计。该算法中加入代价函数的思想将多维的时延估计降维成多个一维的时延估计,同时利用稀疏重构来消除各信号之间的干扰。另外,为了消除降维带来的局部最优的问题,合理设置软门限来有效并快速地终止代价函数模型的迭代过程。仿真结果表明,与OMP算法等传统时延估计算法相比,该算法具有更好的检测性能以及更高的时延估计精度。     

ELMS算法及其变步长算法研究

在分析LMS算法的基础之上,对作为其改进算法的ELMS算法进行了研究,并对二者的性能进行了分析比较,指出了ELMS算法的优越性。进而,提出了一种变步长ELMS算法(VSS-ELMS),理论分析和计算机仿真均表明该算法具有较快的收敛速度和更好的稳态性能,可以很好地应用于自适应系统中。     

一种新的变步长LMS自适应滤波算法

对变步长自适应滤波算法进行了讨论,提出了一种新的变步长LMS算法。新算法用误差信号的自相关及均方误差的时域平均来调节自适应滤波算法的步长。由于不需要指数运算,新算法的运算量大大降低,收敛速度快,且消除了不相关噪声的干扰。将该算法用于码间干扰比较严重的大气激光通信系统中,仿真结果验证了算法的优越性。