线性均衡和判决反馈均衡LMS算法仿真分析

介绍基于自适应最小均方线性均衡和判决反馈均衡算法的原理,并通过实验仿真比较两种算法在训练判决引导混合模式下的均衡性能,分析反馈滤波器长度对判决反馈均衡器性能的影响。结果表明:在训练阶段,最小均方线性均衡算法优于最小均方判决反馈均衡算法的性能;在判决阶段,良好信道条件下最小均方线性均衡具有比较理想的性能,当信道条件恶劣时,最小均方线性均衡算法性能变差,而最小均方判决反馈均衡算法随着反馈滤波器长度增加,均衡效果更优。     

M-独立条件下LMS算法的稳定区域

对于著名的最小均方算法,当算法中的输入数据满足M-独立条件时,首先得到了一 个使得最小均方算法指数稳定的充分条件,然后进一步给出了一个确切的步长的取值区域, 证明在此区域内,最小均方算法的估计误差是有界的.     

基于块自适应滤波的核最小均方算法

核最小均方(KLMS)算法在非线性系统中收敛性能较好,但其使用瞬时梯度估计均方误差梯度,导致随机性较大。而块自适应滤波理论利用多个输入-输出的误差来估计均方误差梯度,可降低KLMS算法稳态误差。为此,将块自适应滤波理论运用到KLMS算法中,提出核块最小均方(KBLMS)算法,根据最陡下降法原理推导出KBLM S权矢量更新公式,使用核方法计算得到滤波器输出表达式,并通过并行处理减小算法计算复杂度。仿真结果表明,KBLMS算法可有效提高KLMS算法的稳态性能,并且相比块最小均方算法具有更低的误码率。     

基于改进NLMS算法的自适应滤波算法

最小均方算法是应用最广泛的自适应算法之一,但其收敛速度欠佳。在传统NLMS算法的基础上,提出了重复调整归一化最小均方算法(DRNLMS)即在相邻两输入信号样本的间隔时间进行额外调整运算,以提高算法的收敛性,并通过计算机仿真实现该算法。     

扩频通信中波束形成自适应算法的实现

自适应算法是智能天线系统中的关键技术。最小均方（LMS）算法具有技术成熟方法简单的特点,它是基于最小均方误差（MMSE）准则,通过迭代的方式寻找最小均方误差,从而得到最佳权值。LMS算法的关键是参考信号的获得,在扩频通信体制中,利用PN码这一已知条件,对接收的信号进行解扩、重扩后可作为参考信号。     

基于正交小波变换的心冲击图自适应去噪方法

研究了心冲击图的正交小波变换最小均方自适应去噪;阐述了基于正交小波变换的最小均方自适应去噪原理;利用径向高斯核函数对心冲击图进行自适应时频联合分析,得到了中心频率并确定了小波分解尺度;提出了通过选择小波基函数和输入信号长度确定自适应滤波器阶数的方法;从矩阵角度给出了算法的实现步骤,并分析了正交小波变换提高最小均方算法收敛速度的原因.实验结果表明,正交小波变换最小均方算法使自适应去噪后的心冲击图更快达到稳态,随心动周期的变化趋势更加明显.比较去噪前后心冲击图的功率谱密度可知,正交小波变换最小均方算法在保留心冲击图特征的同时自适应地去除了其中的时变噪声,获得了良好的去噪效果.     

基于反双曲正弦函数的抗冲激块稀疏自适应滤波算法

针对现有基于最小均方误差（MSE）的块稀疏系统辨识算法抗冲激性能不佳的问题,提出了一种利用反双曲正弦函数替代最小均方误差的改进型块稀疏归一化最小均方（IBS-NLMS）算法。该算法首先构造新的代价函数,利用负梯度最陡下降法求出增量,进而导出了新的滤波器权系数更新公式,在公式迭代过程中出现的冲激噪声会导致权系数的更新量趋于零向量,从而消除了由于非高斯冲激干扰而导致的算法发散问题。同时,理论分析并推导出了该算法的均值收敛过程。块稀疏系统辨识的仿真结果表明,在非高斯冲激噪声干扰和截断变化情况下,改进型算法与块稀疏归一化最小均方（BS-NLMS）算法相比有更快的收敛速度和更小的稳态误差。     

基于小波和自适应滤波的ECG基线漂移校正

为校正ECG信号的基线漂移,提出小波变换和自适应滤波相结合的方法。利用小波变换对原始ECG信号进行分解,将得到的高频分量作为参考信号输入,采用基于幂函数的最小均方算法（P—LMS）进行自适应滤噪处理。通过与传统的归一化最小均方算法（NLMS）进行对比,验证该算法的准确性。仿真实验和MIT-BIH数据库中的实际数据检验结果表明,基于幂函数的最小均方算法和小波变换相结合的方法能够有效校正基线漂移,并较好地保持心电信号的几何特征。     

基于线性预测的自适应递归最小二乘盲源分离

为了分离具有时序结构的信号,将线性预测均方误差作为代价函数.使分离出信号的可预测性最大,这样就可以分离出源信号.这种最小均方误差型算法,其在线形式采用瞬时预测误差代替预测误差的期望值.导致收敛速度较慢.为了提高这类算法的收敛速度,本文将线性预测误差的加权平均作为代价函数,提出了递归最小二乘型线性预测盲源分离算法.计算机仿真和实际语音分离试验均表明:提出的算法与最小均方误差型线性预测盲源分离算法相比具有更快的收敛速度,且增加的计算量不大.     

一种频率域相关性分布式扩散最小均方算法

以均方误差为代价函数的最小均方（LMS）自适应滤波算法具有结构简单、易于实现、计算复杂度低、稳定性好等优点,然而在对未知系统的脉冲响应进行估计时,传统的分布式扩散最小均方（DLMS）算法易受到噪声的干扰,从而降低估计精度。针对该问题,提出一种频率域相关性分布式扩散最小均方（FCDLMS）算法。利用不相关信号的相关函数值趋近于零的性质,在DLMS算法基础上分别将输入信号的自相关函数以及输入和期望信号的互相关函数作为新的观测数据,消除噪声干扰,从而给出相关性DLMS （CDLMS）算法,并将算法扩展至频率域,在频率域中使用乘法运算而非卷积运算来更新抽头系数,减少计算复杂度。实验结果表明,与传统DLMS算法相比,频率域相关性分布式扩散最小均方算法在噪声环境下对分布式自适应网络中的未知系统脉冲响应具有更好的估计结果,算法性能更优,同时也能较好地适应多抽头数、多节点数、强噪声的复杂环境。     

一种变步长最小均方算法

最小均方算法（LMS）以计算简单,易于实现等优点被广泛用于自适应滤波领域。但其固定的步长导致了收敛速度和稳态误差之间的矛盾。通过引入非线性函数提出一种新的基于非线性函数的变步长最小均方算法,仿真结果表明该算法具有较好的收敛性能和较小的稳态误差。     

基于SOPC实现曲线拟合

工程上常常需要在无数学模型的情况下选取适当的函数,来解决控制中的一些常见问题。在这方面以最小均方误差（LMS）算法为基础的代数多项式曲线拟合方法被广泛利用。本文从曲线拟合的基本原理出发,介绍利用SOPC技术实现基于最小均方误差算法的曲线拟合方法。     

基于最小均方误差准则的自适应图像压缩编码算法

探讨了一种基于最小均方误差准则的自适应图像压缩编码算法（ＭＭＳＥＡＣＣ），该算法将最小均方误差ＢＴＣ、内插法和四叉树技术有机结合起来，根据图像的局部特性调节编码算法。仿真结果表明ＭＭＳＥＡＣＣ算法与Ｎａ－ｓｉｏｐｏｕｌｏｓＰ等提出的自适应算法相比，在相同的压缩倍数下，能得到更好的编码性能。     

基于核的最小均方误差改进算法及其应用

传统基于核的最小均方误差(KMSE)算法在进行人脸识别时,需要求解多个方程,计算量较大。为此,提出一种用于多类识别的基于核的多元最小均方误差(KMSEMC)算法,该算法只需一个方程即可。在AR人脸库上的实验及数据分析表明,该算法在时间复杂度和识别率等方面计算量较小,在识别性能和计算时间上都优于同类传统算法。     

机载AIS系统信道建模及估计

针对航空通信中的多径效应会严重影响系统接收端的通信质量,而传统信道估计算法存在收敛速度慢,计算复杂度过高,对信道参数的估计不准确的问题.根据机载船舶自动识别系统实际通信环境的特点,建立了满足莱斯衰落的频率选择性信道模型,并提出了一种适用于信道估计的快速最小均方误差算法.上述算法在训练序列的辅助下,通过高斯消元法估计出信道参数,并依据最小均方误差思想,得到信道估计的快速收敛形式.仿真结果表明,快速最小均方误差算法能够快速准确的估计出信道参数,两次迭代后其均方误差即可达到0.005左右,且具有计算复杂度低,收敛速度快等优点,能够显著提高机载AIS系统的通信性能.     

结合最小均方误差的改进球形译码检测算法

在多输入多输出(MIMO)系统的信号检测算法中,球形译码算法的检测性能最接近最大似然算法,但传统球形译码算法运算复杂度较高。为降低球形译码算法复杂度,提出一种新型的球形译码检测算法。新算法由改进的快速球形译码算法与最小均方误差算法相结合而成。改进的快速球形译码算法通过在球形半径收缩时乘上一个常量参数来提高半径收缩速度,减少算法搜索的信号点数,从而达到降低复杂度的目的。最小均方误差算法则能够通过减小噪声对接收信号的干扰来降低因搜索噪声点而产生的复杂度。将最小均方误差算法的信道矩阵应用在改进的快速球形译码算法中,将两种算法有效地结合,能够进一步降低算法复杂度。仿真结果表明,当信噪比(SNR)低于10 dB时,新算法相比于原始球形译码算法,检测性能平均提高了9%左右。     

一种改进的变步长LMS自适应滤波算法

针对最小均方算法收敛过程中收敛速度与稳态误差的矛盾,提出一种基于反正切函数的归一化最小均方算法。该算法利用反正切函数和误差自相关的时间估计建立了步长与误差之间的非线性关系,抑制环境中的非相关噪声,同时引入归一化信号功率扩大输入信号的取值。仿真结果表明,该算法具有较快的收敛速度、较低的稳态误差,同时具备较好的系统时变跟踪能力。     

衰减激励条件下最小均方算法的收敛性

给出了衰减激励信号的定义,并在衰减激励条件下,利用随机过程理论,研究了随机系统最小均方算法的收敛速率,阐述了参数估计误差收敛时,衰减指数和算法中设计参变量 (收敛因子或步长 )的选择方法.分析表明:在衰减激励条件下,最小均方算法也具有良好的性能:当衰减指数和设计参变量满足一定条件时,则参数估计误差一致收敛于零.     

混合PSO在最小均方误差调节器中的应用

利用最小均方误差调节器来改善有限拍系统是一种常用的方法,而调节器参数的选择是非常重要的。本文在确定最小均方误差调节器的过程中设计基于模拟退火的粒子群算法对参数进行了优化,并对一具体系统进行了仿真。结果表明,混合粒子群算法比单独使用粒子群算法和模拟退火算法的效果要好,同相关文献确定参数方法相比,系统的超调量和调节时间都得到了明显的改善,验证了所提算法的有效性。     

水声信道盲均衡的最小平方峭度恒模算法

用误差信号峭度定义了平方峭度代价函数，提出了盲均衡器权系数更新的最小平方峭度恒模算法，该算法更新方程中含有的误差信号峰度因子有效地消除了高斯性误差信号的影响，加快了收敛，减小了收敛后的均方误差和码间干扰。用负声速梯度水声信道，对算法的性能进行了仿真研究。结果表明：该算法在收敛速度，收敛后的均方误差及码间干扰等方面的性能优于常数模算法与最小平均峭度恒模算法。