基于变步长的混合图像自适应盲分离算法

根据混合信号的分离程度,提出了一种新的图像信号分离算法,通过建立分离矩阵控制步长因子变化,利用自适应不完整自然梯度法实现图像的有效分离.新算法既很好地解决了固定步长算法收敛速度和稳态误差之间的矛盾,也解决了其他变步长算法须选择较小初始步长才能实现分离的问题.仿真结果表明新算法收敛速度快,稳态误差小,综合分离性能明显优于...     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.     

峭度自然梯度盲分离改进算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。但该算法是基于固定步长的,所以不能很好地解决收敛速度与稳态误差之间的矛盾。通过建立步长因子与峭度的平方和之间的非线性关系,提出了一种自适应的自然梯度算法。计算机仿真结果证实了该算法的有效性,并说明了该算法明显优于自然梯度算法。     

一种非平稳环境下的自适应变步长盲源分离算法

提出一种基于不完整自然梯度的变步长约束算法,用来处理非平稳环境下的瞬时盲源分离问题.该算法利用系统上的扰动对代价函数进行约束,对算法中的约束因子采用自适应形式,根据分离情况对约束因子进行自适应调整,以加快收敛速度.同时,引入基于代价函数梯度的变步长,使其具有更好的跟踪性能.仿真结果表明,在非平稳环境下,所提出的算法在提高收敛速度的同时可以有效分离源信号而不产生严重的稳态误差.     

L-DACS中的信号分离算法的研究

L波段数字航空通信系统(L-DACS)是未来20年乃至更长时间航空通信需求的航空通信系统。为了解决接收机更好地区别有用信号,通过研究固定步长EASI算法和变步长EASI(VS-EASI)算法,提出一种基于优选估计函数的EASI峭度变步长(Q-EASI)算法。该算法根据信号的分离状态与峭度方差的关系,使步长随峭度方差的变化而变化,从而使收敛速度与稳态误差之间的矛盾得以缓解,并在信号分离的不同阶段使用不同的估计函数,使稳态误差得以减小。仿真验证,新算法相对于传统算法在稳定性和收敛速度上都有较大提高。     

基于符号算子的变步长不完整自然梯度算法

通过引入不完整约束使不完整自然梯度算法有效克服传统自然梯度算法的缺点和不足,即当源信号幅度随时间快速变化或在某段时间为零时,不完整算法仍能较好地工作.同时,从一般动态分离模型中推导出的符号算子可改善算法的收敛性.结合上述两种思想提出一种基于符号算子的不完整自然梯度算法,增加基于代价函数梯度的变步长运算以平衡算法中收敛速度和稳态误差之间的矛盾.仿真结果表明,改进算法的性能明显优于传统算法,在保持良好稳态误差的基础上大大加快收敛速度.     

基于串音误差与分离度的变步长EASI盲源分离算法

当源信号各分量差异较大或全局矩阵为非行元素优势矩阵时,基于串音误差的变步长等变自适应分离(EASI)算法难以正确评价分离效果,导致步长选取错误。针对该问题,提出一种改进的变步长EASI算法。通过计算基于串音误差的步长平方根适当增大步长,同时定义信号分离度对步长做进一步调整,减小因串音误差分离结果评价不准确而导致步长错误变小的影响。仿真结果表明,该算法具有较好的步长调节能力,相对传统EASI算法和基于串音误差、基于串音误差步长平方根、基于分离度的变步长EASI算法分离效果更佳。     

一种改进的自适应混合神经网络盲分离算法

传统的前馈神经网络盲源分离算法由于步长固定存在许多缺点,而基于Sigmoid函数的自适应步长算法虽然能够克服固定步长算法的缺陷,但其稳态性能较差。针对这个问题,提出一种改进的自适应步长算法,该算法可灵活地控制步长因子函数的形状,在近零点处变化较Sigmoid函数更加缓慢,性能更加优越;同时针对前馈神经网络的不足,在前馈神经网络结构中引入递归结构,利用改进的自适应步长算法控制学习速率。仿真分析表明该算法具有更快的分离速度和更加优越的分离效果。     

改进粒子群优化的分段在线盲信号分离算法

盲源分离(blind source separation,BSS)是指在混合系数未知的情况下,从混合信号中恢复出源信号的过程。在实时盲源分离问题中,学习速率的选择对于算法的性能有着至关重要的作用。为了得到合适的学习速率,提出了如下盲源分离的步长选择算法:通过衡量当前时刻输出信号的依赖程度,将整个信号分离过程分为快速分离和精细分离两个阶段。在快速分离阶段,应用粒子群优化算法确定学习速率,而在精细分离阶段,采用分段函数来确定学习速率。仿真结果证实,新算法比使用固定或其他自适应学习速率的算法有更快的收敛速度和更好的稳态性能。     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

基于改进弦截法的FastICA算法研究

盲源分离问题是信号处理领域中的研究热点之一。众多盲源分离算法中固定点算法（FastICA）因其收敛速度快而备受关注,但是FastICA算法的收敛性易受初始解混矩阵的初值选择影响。针对FastICA算法的不足进行了改进,引入梯度下降法降低初值选择敏感性,并且提出改进弦截法,加快收敛速度。实验结果显示,基于改进弦截法的FastICA算法与其他FastICA算法相比,不但提高了算法的分离性能,而且减少了迭代次数,增强了收敛稳定性。所以,改进的FastICA算法克服了初值选择敏感的影响,获得更快速、更鲁棒的语音分离性能。     

基于相关函数的改进LMS自适应滤波算法研究

标准LMS算法由于采用了固定的步长因子,致使其算法稳态误差大、实时性差,不适用于非平稳随机过程.提出了一种改进的CLMS变步长自适应滤波算法,该算法采用输入-误差信号的互相关函数控制步长更新,在算法收敛初期步长取较大值,使其有较快的实时跟踪能力,在算法收敛末期步长取较小值,以使其拥有较小的稳态误差.仿真结果表明,相比已有变步长算法,CLMS算法有更好的应用性能.     

基于谱减法和变步长LMS语音增强算法

谱减法是目前有效的增强语音信号质量的技术之一,低信噪比下降噪效果明显,而LMS自适应滤波算法收敛速度慢,步长需在收敛速度和失调折中选择。提出了先经过谱减法然后采用变步长LMS自适应滤波算法联合去噪来提高信号质量,通过改变误差的平方项来调节步长,步长采用先固定后变化的原则,兼顾了提高收敛速度和缩小稳态误差。在MATLAB 环境下进行仿真实验,测试结果表明提出的经过基本谱减法后再采用变步长LMS自适应滤波算法能有效消除背景噪声,信噪比SNR和PESQ分值得到了较大的提高,减少了原始语音信号的失真,提高了信号质量。     

基于可变步长的常数模盲均衡算法

为了提高多输入多输出系统的通信质量,针对传统常数模盲均衡算法存在收敛速度慢、误码率高等缺点,提出来一种基于可变步长的常数模盲均衡算法。利用反正切函数建立一种步长因子与误差间的非线性函数关系,利用此非线性函数来调整步长,加快算法收敛速度,采用仿真实验测试算法的性能。结果表明,相对于其他盲均衡算法,该算法加快了收敛速度,大幅降低误码率,获得理想的均衡效果,具有一定的实用价值。     

基于智能天线的LMS算法的研究

对智能天线中的自适应波束成形算法进行研究,并利用Matlab软件对固定步长和变步长两种LMS算法进行计算机仿真实验。仿真结果表明,变步长的LMS算法均方误差收敛效果较好,波束形成对干扰信号的抑制更加精确,有较强的实用性。     

一种快速收敛的变步长自适应谐波检测算法

为解决传统固定步长LMS自适应算法在电网谐波检测中存在的收敛速度和稳态误差之间的矛盾,本文提出了一种快速收敛的变步长自适应谐波检测算法。该算法以误差反馈信号、误差信号在总误差信号中所占的比率以及负载电流的相邻两个采样值之差的和作为自适应反馈量,并通过自适应反馈量的相干平均估计来控制步长的更新;同时对系统权值迭代公式进行改进提高收敛速度;并改传统的固定步长变化范围为时变范围,使步长变化更加平滑。该方法在负载突变的情况下有很好的跟踪性能,可有效的提高初始收敛速度、减小稳态失调。仿真分析及实验证明了该算法在谐波检测中的有效性和准确性。     

自适应回波抵消中变步长NLMS算法的研究

在对变步长NLMS(VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长NLMS新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他变步长NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS、SVSS更好的收敛性。