最小均方自适应滤波器集平均理论及实验仿真

在自适应滤波器应用中的一个重要问题是确定可调节滤波器参数最优的标准,以及利用这种标准形成实际上可行的算法。最小均方算法是现今应用最为广泛的一种线性自适应滤波算法。在变步长最小均方算法中,变步长算法的选取十分关键,它对自适应滤波器的滤波效果有重大的影响。基于最小步长理论的最小均方自适应滤波器理论,简化均方误差的计算过程,设计合适的参数使实际值与理论性逼近,验证最小步长理论的实用性,仿真结果表明实验值与理论值十分吻合,具有较强的实用性。     

一种变步长凸组合自适应滤波器及其均方性能分析

在分析凸组合最小均方(CLMS)算法性能的基础上,提出一种新的变步长凸组合最小均方(VSCLMS)算法。该算法采用一种变步长滤波器替代原CLMS滤波器组中的恒值大步长滤波器,使新的自适应滤波器能够在噪声、时变,甚至非平稳的环境下保持良好的随动性能,并在收敛的各个阶段均保持快速且稳定的均方特性。理论推导与仿真分析分别验证了新算法与原CLMS算法相比不仅有更快的收敛速度,而且稳态均方性能与跟踪性能也有所提高。     

一种新的变步长最小均方自适应滤波算法

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.     

基于LMS的变步长自适应凸联合算法

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。     

一种变步长凸组合LMS自适应滤波算法改进及分析

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。     

变步长自适应滤波算法的统一框架及其矢量扩展

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.     

新变步长自适应算法及其时延估计性能

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。     

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。     

一种用于回声消除的变步长SC-MPNLMS频域分块算法

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。     

基于改进算法的语音增强在激光侦测系统中的应用

为了消除噪声所引起的语音信号的衰落，以自适应滤波器为基础，并综合泄漏最小均方（LMS）算法和变步长LMS算法的优点，提出了适用于激光侦测系统的可变泄漏最小均方（VL-LMS）自适应滤波新算法，对其原理进行了剖析。用实测的带噪语音信号进行了动态仿真，结果表明，该算法能有效地克服基于LMS算法的自适应谱线增强器的不足，具有良好的抑制高斯噪声能力和跟踪性能。     

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。     

应用于自适应格型RLS滤波器的变阶数算法

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。      

一种新型自适应最小均方算法

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。     

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。     

一种改进的自适应谐波电流检测算法

准确、实时地检测出电网中的谐波电流是保证有源电力滤波器(APF)具有良好工作性能的关键。文章提出了一种新的嵌入误差低通滤波器的变步长最小均方(Least—mean—squa re,LMS)自适应算法,该算法以检测后得到的反馈误差信号经低通滤波器与负载电流相邻的两基波周期之差的和作为反馈量来调整步长,有效地提高了系统的动态响应速度以及稳定后的检测精度。仿真实验证明了该算法的有效性和可行性。     

A stochastic gradient adaptive filter with gradient adaptive stepsize

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     

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。     

Logarithmic reweighting nonnegative least mean square algorithm

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.     

基于输入信号峭度的变步长LMS自适应谱线增强方法

提出了一种基于输入信号峭度的变步长LMS自适应谱线增强方法，该方法以输入信号的峭度为自变量，构造新的步长。该步长对高斯噪声或非高斯噪声均有一定免疫性，同时能快速收敛。最后用实测的水下目标辐射噪声数据和瑞利有色环境噪声进行了仿真，表明该方法有较强的谱线增强能力。     

一种基于高阶累积量变步长迭代的自适应谱线增强新方法

依据变步长LMS（Leaset Mean Square)算法能改善自适应谱线增强器（ALE）跟踪性能的特点，提出了基于高阶累积量变步长迭代的自适应谱线增强新方法。用实测水下运动目标辐射噪声数据，对该方法的性能进行了动态仿真研究。仿真表明，该方法具有很好的抑制高斯有色噪声能力的跟踪能力；能有效地增强性调频、对数（或指数）频调信号谱线。因此，在提高水下探测系统功效，识别与检测水下运动目标方面具有一定的指导意义和应用价值。