UWB定位中的自适应时间延迟估计算法

研究了时延估计算法在超宽带(Ultra Wide Band)定位中的应用,其广义相关自适应时间延迟估计算法的收敛速度慢,在低信噪比条件下时间延迟估计精度较低。针对低信噪比条件下的收敛特性,提出一种最大似然加权的广义相关自适应时间延迟估计算法,并进一步提出了改进的基于最大似然(Maximum Likelihood)加权函数的广义互相关时延估计算法。改进的算法采用加窗法和自适应时变干扰删除滤波法,弥补了原算法计算量大及无法消除时变信号干扰的不足。仿真结果表明,改进的算法计算复杂度明显降低,能够有效地消除其他信号干扰,具有较高的时延估计精度和鲁棒性。     

UWB定位中的自适应时问延迟估计算法

研究了时延估计算法在超宽带（Ultra Wide Band）定位中的应用,其广义相关自适应时间延迟估计算法的收敛速度慢,在低信噪比条件下时间延迟估计精度较低。针对低信噪比条件下的收敛特性,提出一种最大似然加权的广义相关自适应时间延迟估计算法,并进一步提出了改进的基于最大似然（Maximum Likelihood）加权函数的广义互相关时延估计算法。改进的算法采用加窗法和自适应时变干扰删除滤波法,弥补了原算法计算量大及无法消除时变信号干扰的不足。仿真结果表明,改进的算法计算复杂度明显降低,能够有效地消除其他信号干扰,具有较高的时延估计精度和鲁棒性。     

基于小波变换的变步长LMS自适应滤波算法

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.     

基于循环二次相关的时延估计

针对无源定位中时延估计的问题,在研究循环二次相关时延估计算法的基础上,结合希尔伯特差值时延估计算法,提出了一种新的时延估计方法。该方法运用希尔伯特差值法对循环二次相关峰值进行锐化处理,提高了时延估计精度,能在低信噪比条件下取得更好的时延估计性能。仿真验证了算法的有效性。     

改进的变步长LMS改进算法

在基于Lorentzian函数的变步长LMS自适应滤波算法的基础上,进行进一步改进,提出了一种新的自适应LMS滤波算法,通过建立新的误差信号e(n)与变步长因子μ(n)之间的关系,消除不相关噪声的影响。并用Matlab对其进行仿真验证,表明该算法解决了收敛速度和稳态误差之间的矛盾,在保证算法的计算复杂度较低的同时,使得算法的抗干扰能力进一步提高,适用于低信噪比条件下的信号提取及滤波,为实际应用提供了更大的灵活性。     

基于M估计变步长自适应仿射投影算法的稳健时延估计

该文提出了一种基于M估计变步长自适应仿射投影方法的稳健时延估计(TDE)算法。该算法将自适应仿射投影算法应用于时延估计,无须事先假定信号和噪声的统计特性,自适应调整自身参数;应用稳健M估计理论,抵消重尾噪声干扰。数值仿真表明,在高斯噪声、非高斯噪声甚至冲激噪声的干扰下,该文算法比高阶统计量法和最小均方自适应法有更强的稳健性和更高的估计精度。     

自适应算法在干扰抵消器应用中的比较研究

文中介绍了自适应滤波算法的原理和干扰抵消器工作原理，并将LMS算法、NLMS算法和变步长LMS算法分别应用在了干扰抵消器中进行了仿真。仿真的结果表明，三种自适应算法运用到了干扰抵消器中，都可以很好地滤除干扰，提取有用信号。其中运用了变步长LMS算法的干扰抵消器无论在收敛速度和滤波性能上，都要强于其他两种算法。     

一种用于自适应噪声抵消的变步长LMS算法

为了提高LMS自适应滤波算法的性能,在分析已有变步长算法的基础上进行了一些改 进。改进算法用误差信号的自相关来调节步长以实现对不相关噪声的更好抑制,且采 用先固定后变化的方法控制步长,兼顾了暂态和稳态性能。利用改进算法进行了自适应噪声 抵消的仿真实验,结果表明,基于改进变步长LMS算法的自适应噪声抵消器 能有效抵制噪声干扰,对含噪信号具有良好的消噪能力。     

静态环境下基于分段变步长NLMS 的收发隔离技术

收发隔离是干扰机系统中的关键问题,若隔离度不够,轻则削弱干扰机效率,重则造成自激使干扰机不能正常工作。传统的最小均方(LMS)算法应用到基于自适应系统辨识的收发隔离中时,由于精度不够,隔离性能并不理想。针对该问题,提出一种分段变步长归一化LMS(NLMS)算法。该算法利用迭代系数状态因子对迭代系数与真实系数逼近状态进行分段,当迭代系数状态因子处于不同的区间时,采用不同的变步长方案。理论分析和仿真证明:与基于其他LMS 算法的隔离方案相比,基于分段变步长NLMS 算法的收发隔离方案隔离性能有较大的改善。     

新变步长自适应算法及其时延估计性能

针对已有的变步长自适应算法收敛速度和稳态误差矛盾的问题,提出了一种新的变步长最小均方自适应滤波算法。新的算法在类S函数的基础上,引入调节因子P对步长函数的形状进行实时调整,并以误差的自相关时间均值估计调节步长,使得算法在初始时具有较快的收敛速度,稳态时有更平滑的步长变化。在新算法中引用最大似然加权算法进一步抑制自适应滤波器权系数伪峰。将新算法和最大似然加权应用在自适应时延估计的实验中,结果表明:在已有参数固定的条件下,新提出的算法具有更快的收敛速度和更小的稳态误差。同时,时延估计实验中能有效地实现信噪比-3 dB以上的准确时延估计。     

一种基于多尺度小波变换的自适应滤波新算法

将多尺度小波变换的理论引入到LMS自适应滤波器的设计中,分析了基于多尺度正交小波变换的自适应滤波算法的原理;将变步长LMS算法与多尺度小波变换的思想结合,提出了一种新的小波自适应滤波算法(MSWT-MVSS-LMS),新算法既减少了输入向量自相关矩阵条件数,又克服了固定步长LMS算法在收敛速度与收敛精度方面与步长因子μ的矛盾,获得了更好的收敛速度和稳定性.仿真结果表明新算法是有效的和优越的.     

基于小波变换变步长LMS自适应信道均衡的新方法

结合变换域最小均方(LMS)和变步长LMS算法的优势,提出了一种基于小波变换的变步长LMS自适应均衡方法。该方法中步长调整函数采用了改进的Sigmoid函数,该函数具有简单且误差信号接近零时变化缓慢的特点。并且,在训练模式、判决引导模式以及混合模式下,将提出方法和传统均衡方法进行了仿真比较。结果表明,所提出的方法比传统的线性LMS算法、变步长LMS以及小波变换LMS收敛更快、性能更优。     

一种改进的变步长频域批处理LMS自适应算法

从基本的经典LMS自适应算法开始,简要介绍了频域批处理LMS算法的推导、实现原理及优势,并在频域批处理LMS算法基础上提出了一种由当前时刻输入信号能量和前一时刻均方误差曲面梯度估计量联合控制的变步长改进算法,改进算法在减小计算量的同时,不仅消除了经典LMS算法收敛性能对输入信号功率敏感的缺陷,而且较好地协调了高速收敛与小稳态误差之间的矛盾.     

新的变步长LMS算法在系统辨识中的应用

在分析最小均方误差(LMS)自适应滤波算法和变步长LMS算法的基础上,提出了一种新的变步长算法,该算法用误差的平均值来控制步长的变化,进一步的解决了收敛速度和稳态误差的矛盾。讲述了新算法的具体改进方式,并将该算法和变步长G-SVSLMS算法以及固定步长算法分别应用到系统辨识中,通过MATLAB进行仿真,结果证实文中提出的算法在明显提高收敛速度的同时,并拥有好的稳态误差。     

变步长LMS自适应滤波算法及其分析

对变步长（LMS）自适应滤波算法进行了讨论,通过对Sigmoid函数修正,建立了步长因子与误差信号之间新的非线性函数关系。新函数在误差接近零处具有缓慢变化的特性,克服了Sigmoid函数在自适应稳态阶段步长调整过程中的不足,实现了对SVS—LMS算法的改进。理论分析和计算机仿真结果表明,本算法的收敛性能优于SVS-LMS算法。另外,还对本算法与VS-LMS算法进行了比较,仿真结果表明本算法在低信噪比环境下比VS-LMS算法具有更好的抗噪性能。     

改进的NLMS算法及其在自适应预测中的应用

通过分析NLMS[1]和VSSLMS[7]两种算法控制时变步长的思想及这两种算法的优缺点,文章提出了一种改进的归一化变步长算法,它同时使用输入信号积累和瞬时误差来控制步长更新.该算法的优越性在于收敛速度快,尤其在系统跳变时也能快速收敛,可很好地应用于自适应预测系统中.理论分析与计算机仿真结果都表明该算法收敛速度快、失调量小、稳定性好, 且在低信噪比的环境中比其他同类算法有更好的性能.     

基于改进变步长自适应滤波的密集假目标干扰抑制方法

提出了一种基于改进变步长自适应滤波的密集假目标干扰抑制方法。该方法首先采用stretch去斜处理,消去信号的二次项,并在频域上分离目标回波与干扰,从而得到频率不同的信号分量;然后用基于类箕舌线函数的变步长自适应滤波方法,对stretch处理后的回波信号滤波;最后对消密集假目标干扰,将对消后的信号作逆stretch处理恢复目标回波。所提出的类箕舌线函数调节自适应滤波方法中的步长,能有效地抑制距离目标回波较近的假目标干扰。仿真结果表明,改进变步长自适应滤波方法在目标回波与干扰时延差较小时,也可有效地对回波信号滤波,干扰对消效果明显;与基于定步长的滤波方法相比,所提方法在信干比较低的环境下仍具有良好的鲁棒性,并能有效抑制密集假目标干扰。     

基于RLS的二次加权相关时延估计算法

针对测向定位中时延估计的问题,提出了一种基于递推最小二乘（Recursive Least Squares,RLS）算法的二次加权相关时延估计方法。该方法在二次相关算法基础上,一方面引入RLS算法,在二次相关前进行自适应滤波,提高系统抗噪能力,且具有较快的收敛速度;另一方面借鉴广义互相关的思路,引入加权函数,并且采用二次加权方式,提高时延估计的性能。仿真结果表明,在低信噪比环境下,基于RLS的二次加权相关时延估计法使谱峰更加尖锐,抑制了噪声的影响,提高了估计的精度。