一种新的变步长LMS算法

在对基本LMS算法分析的基础上,通过构造步长因子μ与误差信号e（n）之间的非线性函数,提出一种新的变步长最小均方误差（LMS）算法,并且分析了参数的取值对算法性能的影响。该算法通过调整步长参数,使权向量达到最优,有效改善了收敛速度与稳态误差的性能。理论分析和仿真结果表明,与基本LMS算法以及部分同类变步长LMS算法相比,该算法具有更快的收敛速度和更小的稳态误差,进一步验证了新算法优于这里所述其他算法。     

基于S形函数的变步长LMS算法

针对定步长LMS算法在收敛速度、时变跟踪能力和稳态失调噪声几个重要指标上不能兼顾的问题,引入人工神经网络中一种常用激励函数———S形函数,并将其应用于变步长LMS算法中。结合算法对收敛速度、精度及稳态失调噪声的要求,引入改变S形函数曲线曲率及收敛终值的2个参数：α和β。分析当α和β值固定时的情况,仿真结果表明定参数算法若其值选择不当会引起较大误差。按照步长值在时变阶段自适应增大,在稳态阶段步长很小的原则,构造了变参数α（n）和β（n）,仿真结果表明变参数算法兼顾多个参数,整体表现较好。     

基于Sigmoid函数的变步长LMS自适应滤波算法性能分析

总结了最小均方（LMS）、基于Sigmoid函数的变步长（SVS）-LMS、改进的SVS-LMS和基于误差相关的变步长LMS自适应滤波算法,讨论了各算法的收敛性能、跟踪性能和稳态误差,并通过计算机仿真,分析、验证各种变步长算法的不同性能表现以及误差阶数对算法性能的影响,给出了合理的建议。     

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。     

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.     

改进的变步长LMS算法及其在自适应消噪中的应用

通过建立误差信号e（n）和步长因子μ（n）之间一种新的非线性函数关系，提出了一种改进的变步长LMS算法。该算法较固定步长LMS算法收敛速度快、稳定性好，和已有的基于S函数的变步长LMS算法相比，不需要进行复杂的复数运算，大大减化了计算量。将该算法应用于自适应噪声对消系统的仿真中，计算机仿真结果与理论分析相一致。     

一种改进的变步长LMS自适应滤波算法

提出一种改进的变步长LMS(Least Mean Square)算法,该算法在步长参数μ与误差信号e(n)之间建立了一种非线性函数关系,并且分析了参数α,β的取值原则及对算法收敛性能的影响。该关系具有在误差e(n)接近零处缓慢变化的优点,克服了s函数变步长LMS算法在自适应稳态阶段μ(n)取值偏大的缺陷。理论分析和计算机仿真结果表明,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。     

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。     

一种非线性变步长LMS自适应滤波算法

基于定步长LMS自适应滤波算法存在稳态误差和收敛速度无法合理协调的缺点,通过在误差信号与步长之间建立非线性关系,提出了一种新的变步长LMS算法。通过步长函数可以让步长因子在算法初始阶段具有较大值,在算法收敛阶段获得较小值,且变化平缓。理论分析和实验仿真结果表明,新算法克服了在稳态自适应阶段步长调整导致系统不稳定的问题。将新算法应用于电脑风扇噪声的有源噪声控制中,取得了良好的效果。     

基于误差反馈的变步长LMS自适应滤波算法

对变步长LMS滤波算法进行研究,提出一种新的变步长LMS自适应滤波算法。该算法基于Sigmoid函数,通过引入误差因子反馈来调整函数参数,解决了类Sigmoid函数中参数设置的问题,并使算法具有较快的收敛速度和较小的稳态误差。计算机仿真表明,相对于其他变步长算法,该算法在收敛速度和稳态误差方面均表现优异,具有较好适用性。     

基于改进LMS算法的自适应旁瓣对消研究

自适应旁瓣对消是雷达抗干扰的有效方法。为了提高雷达旁瓣对消中算法的收敛速度和稳态性能,针对目前定步长LMS算法存在的问题,本文对该算法进行了分析以及步长改进,提出一种基于双曲余弦函数的自适应变步长LMS算法,并对不同的影响因子进行了仿真分析。通过对加噪的信号进行自适应旁瓣对消仿真分析,仿真结果表明改进的自适应变步长LMS算法对消器可以有效地抑制旁瓣干扰信号,提高对消器的收敛速度和稳态性能,提高输出信噪比。     

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。     

改进变步长LMS算法在系统辨识中的应用及性能分析

提出一种改进的自适应变步长最小均方（LMS）算法,该算法利用e^4（n）和遗忘因子λ（n）共同调整步长,同时具有在初始阶段和未知系统时变阶段自适应步长增大而稳态时步长变小的特点,更好地解决了稳态误差与收敛时间之间的矛盾。将该算法应用到系统辨识中,与一般的变步长算法相比,改进算法具有更快的参数辨识速度和更小的稳态误差,同时还具有很好地跟踪多时变系统的能力。     

一种改进的变步长变更新速率LMS自适应滤波算法及仿真

该文提出了一种改进的变步长变更新速率LMS自适应滤波算法,并通过仿真验证了其性能。它通过在误差信号e（n）与步长因子u、误差信号e（n）与自适应滤波器权系数m之间建立一种非线性函数关系,并分析了函数参数选择对算法性能的影响。通过仿真发现,该算法可以在大幅降低运算量的同时有效改善算法收敛速度,同时降低算法对噪声的敏感性。     

一种新的变步长LMS自适应滤波算法

本文通过建立步长因子μ与误差信号之间的非线性函数关系,提出了一种新的变步长LMS(LeastMean Square)算法.该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,且克服了S函数变步长LMS算法(简称SVSLMS算法)在自适应稳态阶段μ(n)取值偏大的缺陷.理论分析和计算机仿真结果表明该算法的性能优于SVSLMS算法.     

基于S函数的改进变步长LMS自适应算法

变步长LMS自适应滤波算法通过构造步长因子来进行权值调整,使算法具有较快的收敛速度和较小的稳态误差。为了进一步改善算法的性能,提出一种基于S函数的改进变步长LMS自适应算法。该算法基于S函数的曲线特点,通过对函数的平移变换得到算法步长因子的表达式。为满足算法的可控性和抗干扰能力的要求,通过引入可控参数和误差向量自相关值来调整步长因子,得到算法的最终模型。详细分析了模型中各参数的取值对步长因子和滤波性能的影响。与现有算法的仿真结果对比表明,该算法在收敛速度、稳态误差及抗干扰能力方面的性能均有了很大的改善。     

一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度.在Matlab平台上分析了改进的步长函数中参数α;β以及γ的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性.     

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.     

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。     

一种改进的变步长LMS自适应算法

为了提高LMS自适应算法的性能,在对一些变步长LMS算法分析的基础上,提出了步长因子μ(n)与误差信号e(n)之间一种新的非线性函数关系,该算法比固定步长LMS算法收敛速度快,稳定性好,另外与文[5]中算法相比,不需要进行指数运算.将该算法应用于自适应噪声抵消系统的仿真中,计算机仿真结果与实际分析相一致.