基于归一化最小均方算法的自适应核RBFNN

为了使自适应核径向基函数神经网络(RBFNN)有更好的收敛速度和稳态误差,提出了以归一化最小均方为学习算法对自适应核RBFNN进行优化的方法。在梯度下降算法的基础上,通过一个可变的步长因子,对归一化最小均方(NLMS)算法进行推导,并将其作为学习算法对自适应核RBFNN的权系数及偏差进行更新训练。在非线性系统辨识及模式分类中的仿真实验结果表明,使用NLMS学习算法训练自适应核RBFNN相较于其他学习算法下的自适应核RBFNN,具有更快的收敛速度及相对较小的稳态误差。     

改进的变步长自适应滤波及Eckart加权抑噪算法

针对已有的变步长自适应滤波算法对噪声干扰敏感的问题,提出改进的变步长最小均方误差自适应算法,该算法对误差的自相关时间均值估计做遗忘加权补偿,并改步长因子固定范围约束为动态变化约束,一方面克服了单纯采用自相关时间均值估计调整步长所导致的步长因子快速衰减,获得了较快的收敛速度;另一方面相比基于Sigmoid函数的变步长算法,具有更平滑的步长变化和更低的稳态失调噪声.在改进算法中引入Eckart加权进一步抑制了自适应滤波器权系数伪峰,采用滑动窗遗忘加权降低了计算复杂度.将新算法及其Eckart加权应用于自适应时延估计仿真实验,结果表明：相比于已有的2种参数固定条件下的变步长自适应滤波算法,改进算法获得了更好的高斯噪声和突变噪声干扰下的时变时延跟踪性能.     

多通道空间自适应滤波技术研究

针对多通道自适应滤波算法数据运算量较大的缺点,结合空间滤波与最小均方（LMS）自适应滤波优点,提出并研究了空间自适应滤波方法.给出了一种多通道空间自适应滤波器的表达式和实现算法,并以周期噪声和高斯白噪声为噪声背景,将多通道空间自适应滤波算法应用到某一均匀加肋圆柱壳主动振动控制实验中.结果表明,空间滤波技术能够显著抑制噪声信号中的高频成分,提高数据采集精度,有效地降低多通道自适应滤波算法的数据运算量,提高自适应滤波算法的学习效率和收敛速度,并能较好地解决结构控制中多通道自适应控制的空间混淆现象,提高主动振动控制的区域降噪效果.     

基于多尺度小波变换的改进型自适应滤波算法

介绍自适应滤波算法、多尺度小波算法的基本原理和两种算法结合的实现过程。针对最小均方(LMS)自适应滤波算法不能同时提高收敛速度和收敛精度,提出变步长LMS自适应算法,在滤波过程中算法先用大步长跟踪,提高收敛速度,接近稳态时用小步长跟踪,提高收敛精度。为了能有更好的滤波效果,应该在算法的步长因子上有所突破。在抽样函数的基础上改进算法,并结合多尺度小波分解,使得滤波的效果更加理想。通过Matlab仿真实验,验证了改进算法具有更好的稳定性和优越性。     

一种变步长自适应滤波算法在信号消噪中的应用

为了解决自适应LMS算法中收敛速度和稳态失调之间的矛盾,在选择自适应算法的步长时,通过在基于箕舌线的变步长LMS算法中引入自相关估计,对信噪比为SNR=16 dB的染噪信号进行处理.仿真结果表明:该算法使均方误差曲线在500个采样点附近达到稳态,均方误差MSE=2.595.时域波形显示,利用变步长自适应滤波算法能有效地滤除信号中的噪声,获得稳定的消噪效果.     

非平稳时变随机噪声的数字滤波器设计与仿真

非平稳噪声的统计参数是时变的,频率滤波器不能实现对它的抑制,传统的自适应抵消器方法是基于最小均方误差准则(LMS)实现滤波的。针对LMS自适应算法中的固定步长导致收敛速度慢、失调量大的缺点,提出了变步长方法。采用最小二乘准则(LS),根据输入信号信噪比的变化来调整步长,并对滤波器的收敛速度、滤波性能进行了数据仿真,验证了该算法的有效性,实现了对时变非平稳噪声的有效抑制。     

MIMO系统自适应均衡算法研究

MIMO信道为频率选择性信道,由于时延扩展而存在色散,因此研究MIMO系统的自适应均衡技术显得尤为重要.通过对自适应均衡技术的两种主要的算法最小均方(LMS)算法和递归最小二乘(RLS)算法的研究可以看出,在不同的步长因子及遗忘因子等参数变化情况下,LMS算法的收敛速度较慢,但均衡简单易实现,RLS算法收敛速度较快,但迭代运算较复杂.结合二者的特点提出了在MIMO系统中引入改进的最小均方算法,即归一化最小均方(NLMS)算法.仿真实验对比表明NLMS算法的计算量与LMS相当,但收敛条件简单,易实现,收敛速度较快,有很实际的应用价值.     

射频功率放大器线性前馈电路的自适应算法

为了提升前馈电路性能,在前馈电路中加入自适应控制,在自适应控制模块中采用自适应控制算法。自适应前馈电路引入了3种自适应算法:最速下降法、最小均方算法和递推最小二乘法。分析结果表明,最小均方算法和递推最小二乘法更适合用于前馈电路自适应控制中。     

一种均匀圆形阵列方向图的综合方法

针对均匀圆形阵列副瓣较高的问题,采用一种基于最小均方误差准则的自适应算法对均匀圆形阵列方向图进行综合.自适应算法利用自适应天线阵的抗干扰特性,在主副瓣区域加入大量的人为干扰,天线阵的主、副瓣电平将发生变化,通过多次调整能使方向图指标达到指定要求.仿真结果表明:算法能有效的控制副瓣电平、主瓣方向和宽度.     

一种改进的变步长LMS自适应滤波算法

针对自适应滤波领域的最小均方(Least Mean Square, LMS)算法无法权衡稳态误差和收敛速度这一矛盾,提出了一种改进的变步长LMS自适应滤波算法。该算法在基于对数函数的变步长LMS算法的基础上,建立了一种新的步长参数与误差的关系模型。仿真结果表明,提出算法与已有算法相比,能够达到更高的收敛精度及更快的收敛速度,在系统不发生时变时,收敛精度分别提高了5 dB和3 dB,当系统发生时变后,收敛精度分别提高了4 dB和2 dB,不论系统是否发生时变,收敛速度都更快。     

Sigmoid函数变步长LMS自适应算法的抗干扰性能改进

为了改善Sigmoid函数变步长LMS算法（SVS-LMS）在高斯噪声和冲激噪声干扰下的性能,首先将以瞬间误差功率为Sigmoid函数自变量控制步长更新的方法,改为以误差的自相关时间均值估计调节步长,抑制了噪声干扰;然后使用HB加权进一步平滑了因噪声干扰导致的自适应滤波器权系数伪峰、使用归一化处理获得了更大的输入信号动态范围。自适应时延估计仿真实验表明,在高斯噪声和冲激噪声干扰下,相比于固定参数下的SVS-LMS算法和另外一种SVS-LMS改进算法,本文算法及其HB加权能够获得更好的时变时延跟踪均方误差性能。     

基于百分位值的自适应顺序形态滤波方法

针对顺序形态滤波的百分位值，在最小均方误差（ＭＳＥ）和最小平均绝对误差（ＭＡＥ）准则下，实现了自适应处理．该滤波算法不仅可以有效地抑制信号中的各种噪声，而且较好地保持了信号的几何特征。计算机仿真结果证实了滤波算法的有效性．     

基于稀疏时变水声信道的判决反馈均衡算法

针对常规的判决反馈均衡处理稀疏时变水声信道接收信号时性能下降的问题,本文在最小均方算法和仿射投影算法的基础上,提出了改进的自适应算法。算法引入了随输入信号变化的迭代步长因子及表征系统稀疏特性的l_0范数约束,并且利用通信接收信号的非圆特性的宽线性输入方式改善性能。仿真结果表明:本文提出的算法具有更快的收敛速度和更小的稳态均方误差,仿真和试验数据分析结果证明了应用改进算法的自适应判决反馈均衡器有更低的误码率。     

改进的凸组合最小均方算法

凸组合最小均方（CLMS）算法能够克服传统最小均方算法收敛速率、跟踪性能和稳态误差之间的矛盾. 但传统CLMS算法使用最速下降法推导参数导致其搜索路径呈“之”字形而使收敛速率变慢,为了解决这个问题,采用共轭梯度法实现参数的更新,同时使用双曲正切函数拟合Sigmoid函数来降低算法的运算复杂度. 为进一步提高算法性能,在所设计的基础上附加瞬时转移结构实现优化. 仿真结果证明,改进算法与传统CLMS、变步长CLMS相比,在噪声、相关信号输入以及非平稳环境下能够保持较好的均方性能和跟踪性能.     

一种变步长AP-REE算法的研究

为了提高自适应滤波器的滤波性能,提出了一种变步长的AP-REE算法。通过分析AP-REE算法权值误差和权值均方误差的二阶统计量,获得了参数迭代步长的一个优化解,促进了AP-REE算法在迭代方向上均方误差的收敛速度。仿真结果表明,相比较于定步长的AP-REE算法,变步长的AP-REE算法获得了更快的收敛速度。     

自适应周期滤波器及其学习算法

针对周期平稳随机信号,提出自适应周期滤波方法.该文给出自适应周期滤波器的一般结构和实现步骤,推导出周期最小均方算法和周期最小二乘算法.完成的仿真算例验证了所提出的自适应周期滤波方法的有效性.     

LMS与RLS自适应滤波算法对比研究

自适应滤波算法根据采用优化准则的不同,通常分为两类最基本算法：最小均方误差（LMS）类算法和递归最小二乘（RLS）类算法。本文重点介绍了最小均方误差算法和递归最小二乘算法,并将这两类算法在MATLAB上进行仿真,并对结果作出比较和分析。     

输油管道泄漏检测中的自适应滤波

管道在输送流体的过程中,由于管道周围介质的扩散、管道摩阻等影响,使得在管道两端测得的压力与流量信号带有很大的噪声,它的存在势必影响管道泄漏的快速检测和漏点的精确定位。因此选用一种合适的滤波技术消除噪声,有着重要的现实意义。介绍了自适应滤波算法消除噪声的方法,在滤波算法中,采用Widrow-Hoff的最小均方误差算法调整滤波器的权系数,以在泄漏实验中采集的压力信号为例,通过计算机编程对它进行离线自适应滤波处理。结果表明,合理的选取算法中的步长和权系数个数,自适应滤波方法可有效地消除信号中的噪声。这为管道泄漏等方面的研究提供了可靠的数据,对其它信号的处理也有一定的借鉴作用。     

用于MMSE合并的受约束LMS算法分析

建立了受约束最小均方(LMS)算法,实现正交频分复用(OFDM)系统中分集信号的自适应最优(MMSE准则)合并,解决了输入信号高度相关时传统自适应算法的收敛速度问题．对接收到的分集信号进行变换,使其具有相同的期望响应,然后并行送入自适应滤波器,在给定的约束条件下,完成分集信号的自适应最优合并．推导出的解析式表明,算法的收敛性能与输入信号的自相关矩阵无关,完全由归一化的步长参数控制．     

一种变步长LMS自适应噪声抵消算法研究

通过对传统最小均方误差（leastmean square,LMS）算法迭代因子μ进行分析,讨论了μ与收敛速度及稳态失调的关系,在此基础上研究了一种新的变步长LMS自适应算法,建立了步长因子μ与输入信号及迭代次数n之间的一种新的非线性关系。通过理论分析,该算法与传统LMS算法相比,其收敛速度更快、稳态误差较小,且计算量增加不大,采用Matlab仿真表明了该算法的优越性。