共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
变步长LMS自适应滤波算法通过构造合适的步长因子有效的解决了传统LMS算法收敛速度和稳态误差相矛盾的问题.变换域LMS自适应滤波算法通过正交变换降低了输入信号矩阵的相关性,提高了算法的收敛速度.将这两种算法相结合,提出了一种新的基于小波变换的变步长LMS自适应滤波算法.仿真结果表明,该算法无论是收敛速度还是稳态误差都有了很大的提高. 相似文献
3.
LMS算法由于简单而获得了广泛的应用,大量的深入研究不断地改善了它的性能。LMS算法存在收敛速度和稳态失调之间的固有冲突,变步长因子可以获得二者之间的有效平衡。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,步长因子同时考虑了指数为预测误差的一次和二次幂的2项。算法在保持较快收敛速度的同时,获得更优的稳态预测误差。对比仿真实验证明了算法的优越性。 相似文献
4.
5.
迭代变步长LMS算法及性能分析 总被引:1,自引:0,他引:1
针对固定步长LMS(Least Mean Square)算法(FXSSLMS)不能同时满足快速收敛和小稳态失调误差的问题,该文提出了迭代变步长LMS算法(IVSSLMS)。与已有的变步长LMS算法(VSSLMS)不同,该算法的步长因子不再是由输出误差信号控制,而是建立了与迭代时间的改进Logistic函数非线性关系,克服了定步长算法收敛慢及已有变步长算法抗噪声干扰能力差的问题。最后从理论上分析了算法的性能,给出了其参数取值方法。理论分析和仿真均表明,所提算法能够在快速收敛情况下获得小的稳态失调误差,在有色噪声干扰下稳态失调误差比已有算法降低了约7 dB。 相似文献
6.
针对定步长LMS算法在收敛速度、时变跟踪能力和稳态失调噪声几个重要指标上不能兼顾的问题,引入人工神经网络中一种常用激励函数———S形函数,并将其应用于变步长LMS算法中。结合算法对收敛速度、精度及稳态失调噪声的要求,引入改变S形函数曲线曲率及收敛终值的2个参数:α和β。分析当α和β值固定时的情况,仿真结果表明定参数算法若其值选择不当会引起较大误差。按照步长值在时变阶段自适应增大,在稳态阶段步长很小的原则,构造了变参数α(n)和β(n),仿真结果表明变参数算法兼顾多个参数,整体表现较好。 相似文献
7.
为了克服自适应滤波中固定步长LMS算法存在收敛速度与稳态误差的矛盾,本文通过MATLAB仿真不同步长因子下LMS算法的学习曲线,分析了LMS算法在收敛过程中存在的矛盾,并运用归一化LMS(NLMS)算法来改善上述矛盾。NLMS算法是通过输入变量改变步长因子从而改变算法的收敛特性。本文对NLMS与LMS算法的误差曲线仿真并进行稳态误差效果比较,结果显示NLMS算法的稳态误差精确度明显提高,收敛速度加快。通过将LMS算法与NLMS算法应用于自适应噪声对消中,得到NLMS算法具有收敛速度更快同时稳态误差更小的特性,该算法能够快速对干扰信号作出反应,使除噪效果更好。 相似文献
8.
9.