一种利用范数性质的无约束盲均衡准则

提出了一种新的无约束盲均衡准则．该准则基于两种向量范数之间差值的最小化,不需要对均衡器系数进行约束,可采用批数据处理和在线自适应迭代两种方式实现．通过对代价函数收敛性定理的推导,证明了在无噪声情况下,在代价函数的每个局部最优解处可实现理想均衡,且能够实现发送信号幅值的恢复．仿真结果验证了新算法在收敛性和稳态误差方面的良好性能．     

稳健变步长符号算法在稀疏信道估计中的应用

基于自适应滤波的传统稀疏信道估计方法大多基于高斯噪声模型的假设,当环境噪声包含冲击噪声时,信道估计性能将严重恶化.为了解决冲击噪声环境下的稀疏信道估计问题,提出了一种基于梯度向量混合范数的稳健变步长符号算法.仿真结果表明,提出的算法在高斯噪声和冲击噪声环境下达到了预期的效果.     

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。     

一种α稳定分布下的变步长最小ρ-范数算法

本文提出一种新的基于α稳定分布噪声环境下的自适应滤波算法,这种算法针对变步长自适应滤波算法收敛速度和稳态误差相矛盾的不足,建立了步长μ（n）与误差信号e（n）之间的新的非线性函数关系。该函数能够削弱输入端不相关α稳定分布噪声对步长调整的影响,更好地解决稳态误差与收敛时间之间的矛盾。通过系统辨识仿真结果表明,新的算法α对稳定分布下的尖峰脉冲噪声有较强的韧性,比传统的NLMP算法有更快的参数辨识速度和更小的稳态误差,同时还具有很好地跟踪多时变系统的能力。     

改进的l0范数LMS算法与分析

提出一种改进的基于l0范数的最小均方( LMS)算法。采用误差的相关函数值调整权系数步长因子以及零吸引项,增强系统的抗噪声性能;并且引入一种修正的权系数步长因子更新方法,进而使系统具有较快的跟踪速度。对提出的算法进行理论分析,最后在不同信噪比下进行仿真验证并与已有的基于l0范数的LMS算法进行比较。理论分析结合仿真验证都表明新提出算法具有较快的跟踪速度和较强的抗噪声性能。     

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.     

均匀线阵双基地MIMO雷达目标角度估计

在高斯色噪声背景下,提出了高阶累积量最小范数算法,实现了均匀线阵双基MIMO雷达的波离方向和波达方向的联合估计。最小范数算法利用双基MIMO雷达的联合导向矢量矩阵与噪声子空间正交,用噪声子空间的全部噪声奇异矢量构成最小范数矢量,相比MUSIC算法计算量小。仿真结果也表明在低信噪比时,最小范数算法的估计性能较好。     

基于独立分量分析算法的DS-CDMA盲多用户检测

由非高斯性测度入手,在定义的代价函数中加入包含了期望用户扩频码这个先验信息的修正项,对代价函数进行梯度优化,导出一种基于独立分量分析的多用户检测器．仿真结果表明,该算法在高斯白噪声信道中具有良好的性能．     

冲激噪声环境中LFM信号的特征参数估计

SαS稳定分布是一类非常重要的非高斯随机分布,具有这类分布的噪声称为冲激噪声。在冲激噪声情况下,α阶以上的矩均不存在,导致基于二阶矩的高斯模型算法性能下降,甚至不能正常工作。该文提出了一种在冲激噪声环境下线性调频信号特征参数估计的算法,通过分析冲激噪声的具体特点,给出了修正的低阶矩模糊函数,并结合Radon变换估计了冲激噪声环境下LFM信号的参数。该算法既可应用于冲激噪声下,又可应用于高斯噪声环境,故具有较好的鲁棒性。最后用计算机仿真验证了该算法的有效性。     

抑制α稳定噪声的改进常数模盲均衡算法

为了改善α稳定噪声环境中盲均衡器的性能,文章提出一种改进常数模盲均衡算法(MAEC-CMA)。对均衡器输入信号进行软限幅,并对原自适应误差受限常数模盲均衡算法(AECCMA)的误差信号进行非线性变换,有效地抑制了α稳定噪声的影响。采用2种水声信道,在高斯噪声与α稳定噪声的情况下对算法进行了计算机仿真。结果表明:在高斯噪声环境中,MAECCMA算法与AECCMA算法具有相似的性能,相对于常数模(CMA)算法和归一化最小平均绝对偏差(NLMAD)算法它具有较快的收敛速度;在α稳定噪声环境中,文中提出的MAECCMA算法性能优于其它3种算法。     

稀疏似p范数变步长LMS的水下多径抑制算法

针对稀疏似p范数LMS算法存在收敛速度较慢、失调误差较大的不足,本文在建立浅海环境中离散多径干扰模型的基础上,提出一种变步长稀疏似p范数LMS算法,采用与误差有关的函数值来调整零吸引项,同时使用改进的Sigmoid函数变化自适应迭代步长。数值仿真表明:与经典LMS算法和已有的稀疏似p范数LMS算法相比,该算法具有良好的干扰抑制效果,同时具有较快的收敛速度和较小的稳态误差。     

α和高斯噪声背景下线性极化阵列波达方向和极化参数联合估计的FLOCC-SMN方法

针对α和高斯混合噪声背景下的线性极化阵列波达方向和极化参数估计问题,提出了一种基于分数低阶循环相关的子空间-最小范数方法。该方法针对α稳定分布过程的特点,利用信号的循环平稳特性,克服了传统的基于二阶矩或高阶累积量无法用于α噪声背景的缺点,弥补了分数低阶矩对循环平稳干扰信号抑制能力的不足。所采用的子空间-最小范数方法不仅减少了传统MUSIC方法的计算量,而且有效地抑制了分数低阶循环相关函数的估计误差。仿真结果表明,本文算法对α和高斯混合噪声及循环平稳干扰信号的抑制能力明显优于分数低阶矩方法。     

基于截断1-范数损失函数的鲁棒超限学习机

对噪声和异常值较敏感、鲁棒性差是超限学习机(ELM)的主要问题.在1-范数损失函数的基础上,提出截断1-范数损失函数来抑制噪声和异常值的影响,建立了基于截断1-范数损失函数的鲁棒ELM模型.通过迭代重赋权算法求解对应的优化问题,并利用4个模拟数据集和9个真实数据集验证模型的有效性.数值实验结果表明,在噪声环境下鲁棒ELM的泛化性能优于对比方法,并且具有较强的鲁棒性,尤其是在异常值比例较大的情形下.     

基于混合熵的分数阶归一化子带自适应滤波算法

为了改善非高斯噪声环境下归一化子带自适应滤波算法的滤波性能，引入了最大混合相关熵准则和分数阶微分的概念。一方面，利用最大混合相关熵准则的鲁棒性，有效地减小了异常噪声对算法性能的影响；另一方面，在权重更新的过程中，通过引入分数阶微分部分，并以加权的形式考虑数据整体信息，更准确地描述了实际系统，从而提高了算法的滤波性能，可将这一改进后的算法应用于非高斯冲击噪声和有色噪声环境下的系统辨识和非线性信道均衡。通过仿真实验结果可以看出，与已有的鲁棒算法相比，所提算法具有更强的鲁棒性和更高的系统跟踪和估计能力。     

一种基于性能和代价的多传感器管理算法

针对多传感器环境下目标的跟踪性能和传感器使用代价之间的矛盾,提出了一种新的多传感器管理算法.该算法建立由卡尔曼滤波误差协方差矩阵的迹和传感器代价组成的目标函数,通过选择使该目标函数最小的传感器组合以实现对传感器的有效管理,可较好地解决目标的跟踪性能与传感器使用代价之间的矛盾,使得两者之间达到一个最佳的平衡.     

工作空间噪声主动控制ChFxLMS算法

为改善滤波x最小均方（Filter-x Least Mean Square,FxLMS）算法不能同时兼顾稳态误差与收敛速度的不足,提出一种基于cosh函数的变步长FxLMS（Cosh-FxLMS,ChFxLMS）算法. 通过cosh函数建立误差信号与步长因子间的联系,使得步长因子按照cosh函数特性实时调整;分析不同参数对ChFxLMS算法性能的影响,为算法参数选取作指导;分别将正弦信号和实测织机信号作为输入信号,对ChFxLMS算法性能进行验证,并与FxLMS算法、基于sigmoid函数的变步长FxLMS（Sigmoid-FxLMS,SFFxLMS）算法进行对比. 仿真结果表明,ChFxLMS算法性能在时域和频域上都取得较好的控制效果. 分析结果表明,该算法能较大地降低稳态误差和提高收敛速度. 该研究成果可为工作空间噪声主动控制提供一种新思路.     

MC-CDMA系统中基于遗传算法的多用户检测

提出了在频率选择性信道下使用多天线分集接收的多载波码分多址(MC-CDMA)系统上行链路中基于遗传算法(GA)的多用户检测。针对三种不同的代价函数,研究了两种不同的个体选择机制对GA多用户检测的性能影响。代价函数分别为各个天线分支接收信号与估计信号的对数似然函数(LLF)、误差平方和相位误差平方。仿真分析表明:在相同代价函数下,基于Pareto优化准则的个体选择机制要优于按线性合并准则的个体选择机制;在相同个体选择机制下,基于相位误差平方的代价函数的误比特率性能和抗远近性能要优于基于LLF和误差平方的代价函数。     

一种改进的自适应脉冲对消LMP算法

应用一种改进的最小平均l_p范数算法对有用信号中存在的脉冲噪声进行对消. 这种算法是根据对输入信噪比的估计,在最小平均l_p范数算法的基础上改进的. 为了测量这种算法下脉冲噪声的对消性能,引入了一种新的信号失真的性能测度,叫分数阶信噪比. 在7种不同输入信噪比情况下,对最小平均l_p范数和改进的最小平均l_p范数算法进行了比较,结果表明改进的算法比最小平均l_p范数算法稳定,收敛速度快,性能明显优于最小平均l_p范数.     

带输入噪声的高斯过程扩展目标跟踪算法

传统的基于高斯过程的扩展目标跟踪(Gaussian Process Extended Target Tracking, GP-ETT)算法通常将高斯过程的输入视为精确值，输入不确定性不可忽略时，引起跟踪性能的降低。针对这一问题，定量推导了GP-ETT算法中GP输入噪声的前二阶矩，提出基于泰勒级数与数值近似的3种带输入噪声的GP-ETT算法，并求得理想环境下带输入噪声的GP-ETT最优理论性能界。仿真结果表明，改进算法的马氏距离更小，得到的性能界更合理。     

LAD准则下的无线传感器网络节点定位方法

多维标度算法广泛应用于无线传感器网络的节点定位。经典的MDS算法通过构造距离平方矩阵(非相似性矩阵)和进行双质心变换,在相似性空间中根据最小二乘准则进行求解。若测量噪声为高斯白噪声,经过变换后,相似性矩阵中元素的误差不再服从高斯分布,基于LS的估计不再是最优的。针对这一问题,用最小绝对值偏差准则改进MDS算法代价函数,对无线传感器网络节点定位进行研究。仿真结果表明,该方法具有良好的稳健性,比经典MDS算法具有更好的定位性能。