共查询到20条相似文献,搜索用时 140 毫秒
1.
2.
3.
一种新的变步长最小均方自适应滤波算法 总被引:1,自引:0,他引:1
将步长因子与误差信号和测量噪声方差之间的一种函数关系引入自适应滤波器,提出了一种变步长最小均方自适应滤波算法.与已有算法相比,本文算法的步长因子更易于设计和控制.仿真结果表明本算法具有很好的收敛性能,同时也证实了本文算法的有效性. 相似文献
4.
针对传统固定步长凸联合最小均方算法动态跟踪性能差,初始时刻小步长组成滤波器收敛速度慢和两个组成滤波器独立迭代的缺点,本文提出一种新的变步长凸联合最小均方滤波算法,充分利用组成滤波器的自身经验及全局信息,将组成滤波器步长及联合步长设计为变步长,可根据环境变化进行动态调整,提高了算法对时变系统的适应能力。理论分析和计算机仿真实验表明,新算法在收敛速度,稳态性能和跟踪能力方面都优于传统的固定步长凸联合最小均方算法。 相似文献
5.
为了避免单个滤波器在收敛速度与稳态误差上相互制约,从而导致系统性能降低的问题,本文采用凸组合最小均方算法(Combined Least Mean Square ,CLMS ),将快速滤波器和慢速滤波器并联使用,同时为进一步改善CLMS算法的性能,对已有的变步长凸组合最小均方算法(Variable Step-size Convex Combination of LMS ,VSCLMS )做出改进,提出了一种新的VSCLMS算法。在该算法中,对快速滤波器选用以最小均方权值偏差(Minimization of Mean Square Weight Error ,MMSWE)为准则的按步分析的变步长滤波器;对慢速滤波器采用以稳态最小均方误差(Least Mean Square , LMS )为准则的固定步长滤波器。通过理论分析与仿真实验表明,该算法能够在噪声、时变以及非平稳的环境下保持较好的随动性能,且在各个阶段均保持良好的收敛性,与传统的CLMS、VSCLMS算法相比,不仅具有更快的收敛速度,而且拥有稳定的均方性能和较优的跟踪性能,为自适应滤波算法的研究提供了一条可行途径。 相似文献
6.
变步长自适应滤波算法的统一框架及其矢量扩展 总被引:1,自引:0,他引:1
针对大量的变步长自适应滤波算法,提出了一种采用约束最优化方法描述变步长自适应滤波算法的统一框架.在该框架下,不同算法的目标函数或决策变量不同.利用该框架,将非参数变步长归一化最小均方误差(NPVSS-NLMS)算法扩展到矢量空间,导出一种新的变步长仿射投影算法.理论分析与计算机仿真表明,该算法不仅能根据输出误差自适应调整步长,而且对强相关输入信号能够保持良好的收敛速度、很小的稳态误差和很快的跟踪速度.将该算法应用于回波抵消,其稳态误差比NPVSS-NLMS算法低近5dB. 相似文献
7.
针对已有的变步长自适应算法收敛速度和稳态误差矛盾的问题,提出了一种新的变步长最小均方自适应滤波算法。新的算法在类S函数的基础上,引入调节因子P对步长函数的形状进行实时调整,并以误差的自相关时间均值估计调节步长,使得算法在初始时具有较快的收敛速度,稳态时有更平滑的步长变化。在新算法中引用最大似然加权算法进一步抑制自适应滤波器权系数伪峰。将新算法和最大似然加权应用在自适应时延估计的实验中,结果表明:在已有参数固定的条件下,新提出的算法具有更快的收敛速度和更小的稳态误差。同时,时延估计实验中能有效地实现信噪比-3 dB以上的准确时延估计。 相似文献
8.
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。 相似文献
9.
《现代电子技术》2019,(7):66-70
针对回声路径的冲激响应时间长,稀疏控制μ律比例归一化最小均方算法(SC-MPNLMS)计算复杂度高的问题,提出一种变步长的频域分块SC-MPNLMS的线性回归,得到估计回声每个频点的自相关,以及估计回声与误差信号的互相关来确定泄漏系数,从而调整全局步长因子对自适应滤波器系数进行变步长矩阵的更新,改善了算法在稳态阶段时步长因子过大的缺点。针对频域分块自适应滤波算法初始收敛速度慢的问题,将滤波器初始权值赋值为稀疏度适中的随机序列。实验结果表明,在回声路径不同的稀疏程度条件下,保持了与SC-MPNLMS算法相近的收敛速度与稳态回声返回损耗增量(ERLE),并且降低了算法复杂度。 相似文献
10.
11.
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。 相似文献
12.
提出了一种新的变阶数(或抽头长度)算法,并将之应用于变阶数自适应格型递归最小二乘(RLS)滤波器的阶数更新中,讨论了格型滤波器阶数更新时相关参数的调整方法。新算法以分贝的形式比较短滤波器与长滤波器的时平均平方误差,采用自适应的抽头长度步长,能够在滤波器权值未收敛时同时快速更新滤波器长度与权值,且在不同大小噪声条件下都能收敛到最优阶数。理论分析与不同大小噪声条件下的自适应系统辨识仿真结果验证了新算法的有效性。 相似文献
13.
针对最小均方(LMS)算法应用于功率放大器时存在收敛速度与收敛精度相矛盾的问题,提出了基于步长比较的最小均方算法。在带有P因子的变步长最小均方算法的基础上,采用简化的Sigmoid函数对步长进行改进,通过对前后两次步长的比较来确定是否更新权系数,以误差的自相关时间均值及均方误差的时间均值来调节算法步长,可以加快算法的收敛速度,降低算法的计算量。仿真结果表明,与最小均方算法相比,经过自适应预失真处理后,该算法的误差向量幅度(EVM)值提高了2.653 2%,系统邻信道功率比(ACPR)减少了4 dB。 相似文献
14.
15.
16.
The step size of this adaptive filter is changed according to a gradient descent algorithm designed to reduce the squared estimation error during each iteration. An approximate analysis of the performance of the adaptive filter when its inputs are zero mean, white, and Gaussian noise and the set of optimal coefficients are time varying according to a random-walk model is presented. The algorithm has very good convergence speed and low steady-state misadjustment. The tracking performance of these algorithms in nonstationary environments is relatively insensitive to the choice of the parameters of the adaptive filter and is very close to the best possible performance of the least mean square (LMS) algorithm for a large range of values of the step size of the adaptation algorithm. Several simulation examples demonstrating the good properties of the adaptive filters as well as verifying the analytical results are also presented 相似文献
17.
变步长LMS自适应滤波算法及其分析 总被引:1,自引:0,他引:1
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。 相似文献
18.
System identification based on least mean square (LMS) adaptive filters is effective due to their simplicity and robustness. Inherent physical characteristic of intended system usually make nonnegativity constraint desirable. In other words, imposing nonnegativity constraint on optimization problem leads to more feasible unknown parameter estimation. Hence, nonnegative least mean square (NNLMS) and its variants were proposed to adaptively solve the Wiener filtering problem considering constraint that makes filter weights nonnegative. In this paper, we propose a new variant of nonnegative least mean square for which its performance is analyzed both theoretically and experimentally. The proposed algorithm behavior is investigated in sparse system identification by Monte Carlo simulations in order to show validation of analysis and theory models. We compare our method with IP-NNLMS and NNLMS in order to prove the advantage of our proposed algorithm. Our proposed algorithm is also used in classification problem, and it is compared with entropy function-based online adaptive decision fusion (EADF) algorithm. 相似文献
19.