一种改进的变步长NLMS算法

针对传统NLMS使用固定步长而出现的收敛速度和稳态误差的矛盾,提出一种改进的变步长NLMS算法。该算法建立了步长与误差的函数关系,使步长随着输出误差和噪声误差的变化而动态更新,从而降低稳态误差。理论分析和仿真结果表明,与现有NLMS算法相比,改进的算法具有更快的收敛速度和更低的稳态误差。     

改进LMS波束形成算法研究及FPGA实现

波束形成技术已被广泛应用于通信领域，但传统的波束形成算法的收敛速度仍然有待于提高。文中旨在针对现有波束形成算法收敛速度慢和稳态误差较大的现状，提出了改进波束形成算法，旨在减小稳态误差的同时提高算法的收敛速度。通过理论分析和仿真表明，文中所提出的算法提升了收敛速度并降低了稳态误差。文中首先对所提出的改进算法进行理论分析，并在此基础上将所提出的算法构建在FPGA平台上，进一步论证了文中算法的可行性。     

一种改进的变步长LMS自适应滤波算法

传统的固定步长的LMS算法难于同时获取较快的收敛速度与较小的稳态误差,基于这一矛盾,将变步长算法与变换域算法相结合,提出一种改进的LMS自适应算法以获得较快的收敛速度和较小的稳态误差。仿真结果表明,此算法在收敛速度与稳态误差的性能上均不同程度地优于其他同类算法,尤其是在低信噪比的情况下,其性能的优越性更为突出。     

一种改进的变步长自适应滤波器LMS算法

本文提出一种改进的LMS算法(即MS-LMS)，并建立了步长因子μ与误差信号e(n)之间另一种新的非线性函数关系。该关系不仅具有原有算法在误差e(n)接近零处缓慢变化的优点，而且低信噪比环境下比原有算法具有更好的收敛性能。理论分析和计算机仿真结果表明，在低信噪比的环境下，改进算法的收敛速度和稳态误差的性能指标都有较大的提高，并对系统发生的突变表现出较强的鲁棒性。     

基于VSSAP算法的自适应干扰对消技术研究

针对雷达干扰机收发天线之间存在的同频干扰问题,文中研究了基于变步长仿射投影(VSSAP)算法的自适应干扰对消技术。该算法针对仿射投影(AP)算法的定步长因子进行改进,建立了以高斯分布函数为基础改进的步长函数,同时利用误差信号的自相关作为步长函数的自变量,得到步长因子随误差信号变化的函数表达式,从而在加快算法收敛速度的同时改善稳态误差。最终的实验结果证明：该算法的收敛速度和稳态误差明显优于最小均方误差(LMS)及其改进算法,且与参考算法相比,收敛速度大大加快,对消比提高了10 dB左右。在转发式雷达干扰机中,欺骗干扰与压制干扰得到有效抑制,使得目标信号得以较好还原。     

一种并行的软判决引导常数模盲均衡算法

介绍了一种常数模与软判决引导结合的盲均衡算法CMA SDD。该算法克服了CMA收敛速度慢、稳态误差大的缺点,同时可以纠正相位偏转。仿真表明,在高信噪比(SNR)条件下,两种算法的稳态均方误差相近,而CMA SDD算法的收敛速度更快;在低信噪比条件下,CMA SDD算法可以获得更快的收敛速度和更低的稳态均方误差。     

一种新的变步长LMS自适应滤波算法及其仿真

传统变步长LMS算法存在收敛速度慢、易受噪声影响等缺点,为了提高算法性能,论文建立了LMS算法中步长因子μ(n)和误差信号e(n)的相关统计量之间的非线性关系,提出了一种基于改进的双曲正切函数的变步长LMS(HTLMS)算法.算法采用当前误差与上一步误差乘积的绝对值来调节步长,并引入了绝对估计误差的扰动量来更新自适应滤波器抽头向量,因而具有收敛速度快、噪声抑制能力强和稳态误差低等特点.计算机仿真结果表明,在不同信噪比条件下,与多种LMS算法相比,本文算法都具有较快的收敛速度和较好的稳态误差.     

分离矩阵的步长自适应在线盲源分离算法

分析了超定盲源分离中的自然梯度算法最终不能稳定收敛的原因,针对解决这一问题的方法中存在的不足进行了分析和研究。采用了一种基于分离矩阵的步长自适应在线盲源分离算法,较好地实现了收敛速度与稳态误差的最优结合。同时,在信号随机减少或增加时改进算法也能够达到较好的分离效果,仿真结果验证了改进算法的收敛稳定性与分离有效性。     

一种改进的LMS算法在噪声对消中的应用

给出了一种改进的LMS算法，该算法解决了算法收敛时间和稳态误差间的矛盾，为实际应用提供了更大的灵活性。它应用误差信号的相关值去调节步长，同时实现了均方误差小和收敛速度快，并且降低了LMS算法对噪声的敏感性。     

用于稀疏系统辨识的改进l0-LMS算法

该文研究和改进了l0-LMS算法以提高对稀疏系统进行辨识的性能。首先依据均方误差反映出的收敛深度信息动态调节步长,提高了算法的收敛速度;其次利用估计误差绝对值加权修正零吸引函数,减小了稳态失调误差。然后定性分析了改进算法中各个参数的取值对收敛速度和稳态性能的影响。最后,计算机仿真验证了新算法的性能明显优于原l0-LMS算法和若干现有稀疏系统辨识的方法。     

迭代变步长LMS算法及性能分析

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。     

Newton/LMS algorithm using modified DCT

A Newton/LMS algorithm using a modified DCT is proposed which uses an efficient technique of inverting the input autocorrelation matrix when the periodic pseudorandom sequence is used as the reference signal. The number of operations is greatly reduced and the computational results show fast convergence rate and low misadjustment error. The application of the algorithm to the case of nonperiodic reference signal is also described.<>     

改进的变步长变换域最小均方算法

变换域是一种在强相关信号输入时加快自适应算法收敛的方法,但仍然存在收敛速度的要求与稳态失调的要求相矛盾的问题。本文在变换域最小均方误差算法（transform domain LMS, TDLMS）的基础上提出了一种改进的变步长方案,其变步长因子受到误差自相关的控制,消除了不相关的观测噪声的影响。本文分别在平稳和非平稳状态下,对算法的收敛和稳态性能进行理论分析,并给出了最佳的算法参数。仿真设置相同的稳态误差,结果表明本文算法在平稳状态下比固定步长的算法提前1300点收敛,在非平稳状态下提前1400点收敛,且与文献中其它变步长的算法相比收敛速度均有提升。      

Steady-State MSE Performance of the Set-Membership Affine Projection Algorithm

The set-membership affine projection (SM-AP) algorithm has many desirable characteristics such as fast convergence speed, low power consumption due to data-selective updates, and low misadjustment. The main reason hindering the widespread use of the SM-AP algorithm is the lack of analytical results related to its steady-state performance. In order to bridge this gap, this paper presents an analysis of the steady-state mean square error (MSE) of a general form of the SM-AP algorithm. The proposed analysis results in closed-form expressions for the excess MSE and misadjustment of the SM-AP algorithm, which are also applicable to many other algorithms. This work also provides guidelines for the analysis of the whole family of SM-AP algorithms. The analysis relies on the energy conservation method and has the attractive feature of not assuming a specific model for the input signal. In addition, the choice of the upper bound for the error of the SM-AP algorithm is addressed for the first time. Simulation results corroborate the accuracy of the proposed analysis.     

一种变正则化矩阵的改进多带结构子带自适应滤波算法

定正则化因子的改进多带结构子带自适应滤波(IMSAF)算法在取得收敛速度快和稳态失调误差小之间存在冲突.根据系统噪声抵消原理,设定子带后验误差功率等于子带噪声功率,本文提出了变正则化矩阵的IMSAF算法来解决这一问题.仿真结果证明,所提算法可以同时达到收敛速度快、稳态失调误差小以及追踪速度快等优势.     

A Gradient-Based Variable Step-Size Scheme for Kurtosis of Estimated Error

This paper proposes a new variable step-size LMS (VSLMS) algorithm with an approach in which a gradient-based weighted average of a kurtosis of an estimated error signal is used to improve the drawback of a previous algorithm for application to an unknown channel estimation. The proposed scheme leads not only to the enhancement of the convergence rate, but also to robustness in terms of low-SNR environments. It could also lead to obtaining a lower misadjustment error.      

一种改进的变步长ELMS算法

在简单讨论基本最小均方(LMS)算法的基础上,引入了扩展的最小均方(ELMS)算法,并分析说明了该算法能达到更小的稳态MSE。改进的变步长ELMS算法是在对有用信号的预测中采用了自适应为归一化的的最小均方(NLMS)预测估计器,步长的迭代中引入遗忘因子i,利用其与误差信号的加权和来产生新的步长参与迭代。理论分析与计算机仿真结果表明,该算法有较好的收敛性能和较小的稳态失调。     

Robust Regularization for Normalized LMS Algorithms

We present a novel normalized least mean square (NLMS) algorithm with robust regularization. The proposed algorithm dynamically updates the regularization parameter that is fixed in the conventional$epsilon $-NLMS algorithms. By exploiting the gradient descent direction we derive a computationally efficient and robust update scheme for the regularization parameter. Through experiments we demonstrate that the proposed algorithm outperforms conventional NLMS algorithms in terms of the convergence rate and the misadjustment error.     

Comments on `Convergence and performance analysis of the normalizedLMS algorithm with uncorrelated Gaussian data'

Noting that a fine analysis is presented for the convergence and misadjustment of the normalized least-mean-square (NLMS) algorithm in the paper by Tarrab and Feuer (see ibid., vol.3, no.4, p.468091, July 1988), the commenter claims that the results and comparisons with the LMS algorithm are not in a form that readily enables the reader to draw practical conclusions. He points out that plotting mean-square error on a linear, instead of logarithmic (dB), scale hides the important detail of the error as it converges to its minimum value, which is exactly the region where the practical engineer requires detailed knowledge to assess performance. Moreover, in the comparison of the NLMS and LMS algorithm convergence rate and misadjustment, the practitioner wants to know how fast the algorithm will converge when the misadjustment is constrained to a specified value