一种改进的自适应波束赋形算法

为了弥补传统的LMS算法采用固定步长无法解决收敛速度和稳态误差之间矛盾的缺陷,改进了失调系数,提出了一种改进的LMS算法用于求解自适应波束赋形的最佳权值。理论分析证实归一化的LMS算法可以通过采用一个可变因子使瞬时输出误差最小化。仿真结果表明,归一化的LMS算法采用了可变步长比传统LMS算法收敛快,稳态误差和失调相对于LMS都有所改善。     

OFDM系统自适应盲信道估计新方法

基于无线通信OFDM系统信道估计,提出了两种时域自适应盲估计方法。这些方法通过对极性(符号)LMS算法（SLMS）进行改进,改进算法有几方面优点,一是继承了极性LMS算法简单易实现的特性;二是解决了极性LMS收敛速度慢的缺点;最后结合自适应可变步长及步长调整策略,有效地提高了算法的估计性能。仿真给出了误差曲线以及归一化均方误差曲线,结果表明,和基于极性LMS盲估计方法相比,修正极性LMS和时变步长修正极性LMS盲估计方法均具有很快的收敛速度。由于采用了变步长技术,时变步长修正极性LMS盲估计方法具有更好的估计性能。      

一种新的变步长LMS自适应滤波算法

在对传统LMS算法、变步长SVSLMS算法及归一化LMS算法分析的基础上,提出了一种改进的归一化变步长LMS算法即N-SVSLMS（Normalized-SVSLMS）算法。该算法结合了参考文献中两种算法的思想,得到了改进的归一化LMS自适应算法。该算法在信道环境多变的情况下,收敛速度和稳定性能有了进一步的提高。理论分析及计算机仿真结果表明,N-SVSLMS算法明显优于传统LMS算法、变步长SVSLMS算法及归一化的LMS算法。     

一种改进的归一化变步长最小均方误差自适应滤波算法

本文提出了一种改进的归一化变步长最小均方误差自适应滤波算法（MNVS）．它综合了传统的最小均方误差算法（LMS）和归一化变步长最小均方误差算法（NVS）的优点，既具有快速跟踪能力，又允许大动态范围的信号输入．计算机模拟实验结果表明，MNVS算法的性能明显优于LMS和NVS算法，而其计算量增加甚少。     

一种基于指数函数的变步长LMS算法

提出了一种基于指数函数的变步长LMS算法.通过建立误差ε和步长μ的函数关系,实时调整步长,解决了稳态失调系数和收敛速度的矛盾.仿真实验表明,改进算法较原有的普通LMS算法和双曲正切变步长LMS算法有更高的收敛速度和更小的稳态失调系数.     

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。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

LMS和归一化LMS算法收敛门限与步长的确定

从LMS算法失调量的准确表达式出发,根据输入信号特征值分布重新研究了LMS,归一化LMS(Normalized LMS,NLMS)算法收敛的必要条件,推导出LMS和NLMS 算法收敛的步长门限,并分析了输入信号特征值分布、滤波器阶数对算法收敛步长门限的影响,推导出满足性能失调下步长的自适应计算公式,减小了应用 LMS,NLMS算法时步长选取的盲目性,与已有的算法相比,具有计算简单、实用、自适应性能强,同时可获得满意失调量的特点,计算机模拟结果表明该方法的正确性。     

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。     

一维光电阵列信号处理中LMS算法的改进

文中对于基本型最小均方误差自适应算法(基本LMS算法),可变步长最小均方误差自适应算法(以下称为WLMS算法)在激光光谱识别信号的处理上进行了研究。在此基础上提出了一种新的可变步长LMS算法。新算法在WLMS算法的基础上引入了时变的衰减因子参与步长迭代,并详述了新算法的计算机迭代过程。计算机处理结果显示,与基本LMS算法和WLMS算法相比,新算法保持了算法简单的同时,加快了收敛速度,改善了处理结果。     

一种改进的变步长LMS算法

LMS算法由于简单而获得了广泛的应用,大量的深入研究不断地改善了它的性能。LMS算法存在收敛速度和稳态失调之间的固有冲突,变步长因子可以获得二者之间的有效平衡。对已有的一些变步长LMS自适应滤波算法进行了分析,在此基础上提出一种改进的变步长LMS算法,步长因子同时考虑了指数为预测误差的一次和二次幂的2项。算法在保持较快收敛速度的同时,获得更优的稳态预测误差。对比仿真实验证明了算法的优越性。     

LFM信号的分数阶傅里叶域自适应滤波算法研究

对于线性调频信号(LFM)的滤波,采用处理平稳信号的方法对其滤波往往得不到很好的效果。本文利用了线性调频信号在分数傅里叶变换域上具有很好的时频聚焦性的特点,来实现信号在分数阶傅里叶域的自适应滤波,自适应滤波算法采用改进的步长LMS方法,对传统的LMS算法做出了改进,算法中步长处理中引入了一个限制因子,可以较好地解决算法收敛速度和稳态失调量之间的矛盾。仿真结果表明,此算法在处理分数阶域的LFM信号滤波比传统的LMS算法有较好的滤波效果。      

改进的分布式扩散符号LMS算法

针对无线传感器网络(WSN)中数据运算量大及传输速率受限问题,提出了在分布式扩散LMS算法中先后采用符号函数和改进的符号函数量化策略,实现对误差和估计信号的量化,以减少多节点无线传感器网络的运算量和通信量。仿真结果表明,采用符号函数的量化策略时,误差相对较大;采用改进的符号函数量化策略,在设定适当的量化门限时,所提出的算法性能十分接近非量化的扩散LMS算法,且优于非协作算法。特别对于BPSK信号,相较于传统的扩散LMS算法,性能更为优良。     

一种新的变步长ELMS算法在噪声抵消中的应用

为了寻求高效快速的自适应算法,在ELMS算法基础上,提出了一种用均方误差和误差的相关性来调节步长的混合变步长ELMS（MVSS-ELMS）算法。该算法符合步长调整原则,并在抗噪性、有效性方面有了很大改善,同时具有比传统的LMS,ELMS算法收敛速度快,稳态失调小等优点。计算机仿真结果表明,新算法在自适应噪声抵消中的综合性能优于LMS及ELMS算法。     

一种改进的变步长LMS自适应算法

传统的最小均方误差(LMS)算法难以同时获取较快的收敛速度和较小的稳态误差,而变步长LMS算法可获得二者之间的平衡。对已有的一些变步长LMS算法进行了分析,在变系数步长(VFSS)算法的基础上,引入输入信号因子,并建立步长因子与误差信号之间新的非线性函数关系,提出一种改进的变步长LMS算法,该算法不仅继承了VFSS算法在低信噪比环境下抗噪声性能好的特点,而且能够快速跟踪系统的变化,仿真结果表明改进算法的性能优于现有算法。     

基于FRFT的LFM信号自适应滤波算法及分析

针对线性调频(LFM)信号自适应滤波问题,利用分数阶傅里叶变换(FRFT)对LFM信号良好的能量聚集性的特点,提出了一种分数阶傅里叶域LFM信号自适应滤波算法.算法采用分级迭代运算的方法确定最佳变换角度,保证参数估计精度的同时,降低了运算量.结合泄漏LMS(LLMS)和归一化LMS(NLMS)算法,对传统LMS自适应算法的跟踪和滤波性能进行了改进,并给出了算法的收敛条件.在加权矢量的迭代公式中引入泄露因子,降低了记忆效应对滤波器的影响;并对自适应步长进行功率归一化,提高了收敛速率.仿真分析了参数对算法收敛性能的影响,结果表明,当输入LFM信号频率变化较快时,算法有较好的收敛性能和较小的均方误差,同时在低信噪比(SNR=10 dB)下也有良好的滤波效果.     

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.     

自适应噪声对消的归一化LMS算法

为了克服自适应滤波中固定步长LMS算法存在收敛速度与稳态误差的矛盾,本文通过MATLAB仿真不同步长因子下LMS算法的学习曲线,分析了LMS算法在收敛过程中存在的矛盾,并运用归一化LMS(NLMS)算法来改善上述矛盾。NLMS算法是通过输入变量改变步长因子从而改变算法的收敛特性。本文对NLMS与LMS算法的误差曲线仿真并进行稳态误差效果比较,结果显示NLMS算法的稳态误差精确度明显提高,收敛速度加快。通过将LMS算法与NLMS算法应用于自适应噪声对消中,得到NLMS算法具有收敛速度更快同时稳态误差更小的特性,该算法能够快速对干扰信号作出反应,使除噪效果更好。     

OFDM调制技术在低压电力线的自适应控制

通过改进传统LMS算法,提出了一种模糊推理的变步长自适应算法。该算法结合模糊推理对LMS算法的步长增益进行了改进,通过模糊推理把输入变量映射为合适的步长增益,从而提高了对信道估计值的精度。通过误差绝对值与均方误差值的比较,表明该算法所测得的信道值比传统的LMS算法信道值更接近真实值,说明该算法具有良好的估计性能。     

一种改进的NLMS算法在声回波抵消中的应用

收敛速度和残余均方误差是衡量最小均方算法性能的重要指标。在声回波抵消算法中,为了寻求收敛速度快和计算量小的自适应算法,在归一化最小均方误差算法基础上,把当前时刻以前的误差引入归一化收敛因子中得到一种新算法,可以减小信号样本波动对权重带来的影响。该算法比传统的归一化最小均方算法收敛性能更好,稳态失调也比其小。计算机仿真结果表明,新算法在自适应回波抵消中的综合性能要优于传统的归一化最小均方误差算法。