基于多尺度小波变换的改进型自适应滤波算法

介绍自适应滤波算法、多尺度小波算法的基本原理和两种算法结合的实现过程。针对最小均方(LMS)自适应滤波算法不能同时提高收敛速度和收敛精度,提出变步长LMS自适应算法,在滤波过程中算法先用大步长跟踪,提高收敛速度,接近稳态时用小步长跟踪,提高收敛精度。为了能有更好的滤波效果,应该在算法的步长因子上有所突破。在抽样函数的基础上改进算法,并结合多尺度小波分解,使得滤波的效果更加理想。通过Matlab仿真实验,验证了改进算法具有更好的稳定性和优越性。     

一种变步长自适应滤波算法在信号消噪中的应用

为了解决自适应LMS算法中收敛速度和稳态失调之间的矛盾,在选择自适应算法的步长时,通过在基于箕舌线的变步长LMS算法中引入自相关估计,对信噪比为SNR=16 dB的染噪信号进行处理.仿真结果表明:该算法使均方误差曲线在500个采样点附近达到稳态,均方误差MSE=2.595.时域波形显示,利用变步长自适应滤波算法能有效地滤除信号中的噪声,获得稳定的消噪效果.     

一种改进的变步长LMS自适应滤波算法

针对自适应滤波领域的最小均方(Least Mean Square, LMS)算法无法权衡稳态误差和收敛速度这一矛盾,提出了一种改进的变步长LMS自适应滤波算法。该算法在基于对数函数的变步长LMS算法的基础上,建立了一种新的步长参数与误差的关系模型。仿真结果表明,提出算法与已有算法相比,能够达到更高的收敛精度及更快的收敛速度,在系统不发生时变时,收敛精度分别提高了5 dB和3 dB,当系统发生时变后,收敛精度分别提高了4 dB和2 dB,不论系统是否发生时变,收敛速度都更快。     

一种新的变步长LMS自适应滤波算法及其应用

针对变步长LMS(Least Mean Square)自适应滤波算法不能同时满足较高收敛速度以及较低稳态误差的问题,根据反馈理论提出了一种新的变步长LMS自适应滤波算法,在原有算法模型中通过引入反馈控制函数建立了一种新的步长与误差的非线性函数模型,使得当前的步长值跟当前误差与前一次误差比值的平方相关,通过MATLAB分析了新函数模型中关键参数对滤波性能的影响并确定了合理的关键参数.仿真结果表明:相比原有的算法,改进的新算法极大地提高了收敛速度,同时也降低了稳态误差.新算法性能良好,将其应用于超宽带无线电引信回波信号的滤波处理中,误差的抑制能力提高了4倍,滤波效果较佳.     

一种基于改进LMS算法的MIMO-OFDM信道估计方法

最小均方(LMS)算法是一种典型的自适应滤波算法,基于该算法的信道估计算法具有不需要已知信道和噪声统计信息的特点,但是其收敛速度较慢。为此,提出一种基于改进LMS算法的MIMO-OFDM信道估计方法,该方法人为地引入一个时延,即将LMS算法固定自适应步长由随着输入信号功率自适应变化的收敛因子替代,大大降低了收敛时间,具有较好的信道估计性能。     

小波技术对LMS算法的提高与分析

变步长LMS（Least Mean Square）算法在同时兼顾快速收敛与降低稳态失调误差的问题上做出了很多改进,但仍有较大的提升空间. 本文利用小波技术对变步长LMS算法提出改进. 小波技术具有数学“显微镜”功能,步长因子的变化速度可以通过拉伸窗口来实时调整. 本文将失调误差与收敛速度之间的比值做为小波窗口调整参数,根据两者之间的相对变化实时调整步长因子的变化速度,可实时准确地调整收敛速度,更好地兼顾快速收敛与降低稳态失调误差问题. 仿真证明本文提出的算法比现有技术具有更高的收敛速度和更低的稳态失调误差.     

一种变步长LMS算法及仿真

虽然传统LMS算法拥有很多优点如方法简单、运算量小,但是由于固定步长的缘故,在解决稳态误差与收敛性之间的关系时始终处于矛盾状态,这也使的传统LMS算法始终具有收敛速度慢的特性。结合传统的LMS自适应滤波算法,在此基础上对步长因子进行了改进,将步长因子与误差因子间建立函数关系提出变步长LMS新的算法,并通MATLAB仿真,比较了改进后的算法与传统LMS算法,仿真结果显示改进后的算法明显在系统的收敛速度和稳态误差上有所提高。     

一种改进的快速自适应滤波算法

为了解决传统自适应滤波最小均方(Least Mean Square,LMS)算法中收敛速度与稳态误差之间的矛盾,提出了一种改进算法。该算法在已有变步长LMS算法基础上,引入遗忘因子来影响步长的更新。仿真表明,改进后的算法比原算法不但具有更快的收敛速度,而且具有更小且稳定的稳态误差。     

场景自适应的红外焦平面阵列非均匀性校正新方法

提出了一种基于神经网络的红外焦平面阵列 (IRFPA) 非均匀性自适应校正方法,重新设计了隐含层结构以获得更接近真实信号的期望信号,此外,还将变步长归一化LMS (VSS-NLMS)自适应滤波技术引入到校正参数的迭代估计过程中,以实现对校正速度和稳定性的提升．实验结果表明,该方法在校正精度、收敛速度和稳定性方面的性能均显著优于传统的神经网络校正算法．     

基于LMS算法的自适应语音除噪性能研究

语音除噪是自适应信号处理研究的重点,通过利用matlab分别实现了基于时域定步长LMS算法、时域变步长LMS算法、基于FFT技术的LMS频域快速算法(FLMS)的自适应语音除噪仿真,并成功应用到带噪语音信号除噪方面.经实验表明,时域变步长LMS算法比时域定步长LMS算法的改善性噪比高1dB左右,与FLMS算法除噪性能相当,但FLMS算法的速度明显快于传统时域算法,而具体时间比的大小与总的样本数目有相关联系.