变步长LMS自适应滤波算法的改进及分析

在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,提出了一种改进的变步长LMS算法。新算法通过建立步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大和稳态阶段步长很小,具有收敛速度快,稳态误差小,迅速跟踪跃变系统的变化,并且不易受噪声影响的特点。理论分析和计算机仿真结果表明该算法优于传统算法。     

改进的变步长频域批处理LMS算法

现有的单载波频域均衡技术中的定步长频域批处理LMS（Frequency-Domain Block Least Mean Square,FBLMS）算法,在收敛速度和稳态误差之间存在矛盾。针对这个问题,基于对变步长LMS算法的研究分析,提出了一种新的改进的变步长频域批处理LMS自适应滤波算法,通过变步长因子以及频域权系数抽头泄漏能很好地协调收敛速度和稳态误差之间的矛盾,并且还具有较低的算法复杂度的特点。通过Matlab对提出的新算法进行计算机仿真验证,结果表明该算法有较好的收敛速度和较小的稳态误差。     

一种改进的LMS算法及其在噪声对消中的应用

在分析传统定步长LMS(Least Mean Square)算法和变步长LMS算法的基础上,提出了一种改进的变步长LMS算法.新算法利用瞬时误差绝对值三次方的指数形式和遗忘因子同时调整步长,更好地解决了收敛速度和稳态误差的矛盾.将三种算法均用到噪声对消中进行比较,仿真结果表明:新算法收敛速率优于传统定步长LMS算法和变步长LMS算法.     

改进SVSLMS算法在系统辨识中的应用及性能分析

通过建立步长因子μ与误差信号e（n）之间的非线性函数关系,提出了一种改进的自适应可变步长最小均方（LMS）算法。该算法具有在误差e（n）接近0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取值偏大的缺点;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,解决了收敛时间和稳态误差的矛盾。将算法应用到系统辨识中,对比一般的变步长算法,改进的算法在平稳过程中具有更快的辨识速度和更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于变步长LMS 算法的自适应逆控制系统

针对各种变步长自适应滤波算法,提出了两种收敛速度快、鲁棒性能好的基于变步长X- 滤波、e - 滤波LMS 算法和带反馈补偿的自适应逆控制系统．变步长自适应滤波算法可以使系统获得更快的收敛速度 和较小的稳态误差,提高了控制精度;反馈补偿可以克服系统的零漂移．仿真结果表明,经过改进的基于变 步长X- 滤波、e - 滤波LMS 算法的自适应逆控制系统收敛速度快、稳态误差小、抗噪声扰动能力强．     

一种改进的变步长自适应谱线增强算法

传统的变步长最小均方误差(VS-LMS)算法在自适应稳态阶段步长变化较大,为有效解决这一问题,对算法中的参数进行了修改,提出了一种改进的变步长自适应谱线增强算法.新算法根据步长调整原则,通过改进步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大、稳态阶段步长减小.经理论分析和仿真实验验证,新算法的时域和频域波形信息均优于原算法,具有良好的降噪性和稳定性以及较快的收敛速度,可更好地应用于自适应系统中.     

改进的LMS算法自适应滤波器的DSP实现

分析了变步长LMS算法自适应滤波器基本原理,使用MATLAB对其进行仿真,并应用SZ-EPP5402评估板进行了DSP实现,结果表明,变步长LMS算法能够克服固定步长LMS算法的矛盾,具有较快收敛速度与较小稳态误差.     

基于分级迭代变步长的自然梯度盲源分离算法

自然梯度算法是处理盲源分离问题的一个重要方法.自然梯度算法的分离速度与稳态性能之间存在矛盾,步长增大收敛速度加快,但是稳态误差随之增大.自适应变步长算法是解决收敛速度与稳态误差之间的矛盾的有效手段.基于原有自适应算法,提出了一种分级迭代变步长算法,更好地解决了算法存在的收敛速度与稳态误差的矛盾.仿真结果表明,该算法具有更快的分离速度和更好的稳态性能.     

改进变步长LMS自适应预失真算法研究

在数字预失真过程中,针对传统的最小均方差(LMS)自适应算法收敛速度较慢和稳态误差较大的缺点,通过分析各种改进的变步长LMS算法的优势和劣势,提出了一种组合曲线的归一化变步长LMS数字预失真算法。仿真结果表明,新算法在保证预失真效果的前提下,算法性能得到极大提升。     

一种快速收敛的变步长自适应谐波检测算法

为解决传统固定步长LMS自适应算法在电网谐波检测中存在的收敛速度和稳态误差之间的矛盾,本文提出了一种快速收敛的变步长自适应谐波检测算法。该算法以误差反馈信号、误差信号在总误差信号中所占的比率以及负载电流的相邻两个采样值之差的和作为自适应反馈量,并通过自适应反馈量的相干平均估计来控制步长的更新;同时对系统权值迭代公式进行改进提高收敛速度;并改传统的固定步长变化范围为时变范围,使步长变化更加平滑。该方法在负载突变的情况下有很好的跟踪性能,可有效的提高初始收敛速度、减小稳态失调。仿真分析及实验证明了该算法在谐波检测中的有效性和准确性。     

基于指数函数的归一化变步长LMS算法

在研究归一化最小均方误差(NLMS)算法的基础上,提出一种基于指数函数的变步长LMS算法。通过建立误差 和步长 的函数关系,实时调整步长,并对输入信号完成时域信号解相关,解决稳态失调系数与收敛速度的矛盾。仿真实验结果证明,该算法与传统LMS算法、SVS_LMS算法、NLMS算法以及双曲正切变步长LMS算法相比,具有更高的收敛速度和较小的稳态失调系数。     

一种新的变步长频域块LMS算法

针对现有直接序列扩频（DSSS）通信抗干扰系统中的传统频域块最小均方误差（FBLMS）算法在收敛速度和稳态误差之间存在矛盾的问题,提出了一种新的变步长算法--VSS-FBLMS算法,该算法通过输出信号中剩余干扰所占整体噪声信号的比例来调节变步长因子,步长因子随着干扰的被滤除而逐渐减小,使得DSSS通信抗干扰系统获得更好的抑制干扰效果。首先对传统FBLMS算法的DSSS抗干扰系统进行了介绍,然后对提出的VSS-FBLMS算法进行分析,最后将新算法和传统算法加入DSSS通信抗干扰系统中进行仿真对比。理论分析和仿真结果表明,VSS-FBLMS算法不仅可以有效滤除窄带干扰,而且抗干扰性能优于传统FBLMS算法,收敛速率和稳态误差也都优于传统FBLMS算法。     

一种新的LMS自适应滤波算法分析仿真研究

传统变步长最小均方(LMS)算法存在收敛速度慢、易受噪声干扰等缺点,为了提高算法的性能,通过对变步长LMS算法进行分析研究,在步长因子x(n)与误差信号e(n)的相关统计量之间建立一种新的非线性函数关系,提出了一种新的变步长LMS自适应滤波算法。该算法采用误差信号的自相关时间均值来调节步长,并用绝对估计误差的扰动量以加快自适应滤波器抽头权向量的收敛。理论分析与计算机仿真结果表明:与SVSLMS和G-SVSLMS算法比较,该算法具有较快的收敛速度、较小的稳态误差以及较强的抗干扰能力。     

一种基于ZSP800核改进型LMS自适应滤波算法的实现

针对手机终端语音降噪处理系统中,广泛使用计算复杂度较小的固定步长LMS（Least Mean Square）自适应滤波算法。本文提出一种通过建立步长因子μ（n）和误差信号e（n）非线性函数关系,进而把固定步长LMS自适应算法改进为新的变步长自适应滤波算法,较好地解决了固定步长因子无法解决收敛速度和稳态误差之间相矛盾的不足。最后,给出了改进型算法在ZSP800核数字信号处理器（DSP）上的实现方法。     

基于双曲函数的变步长LMS算法及其分析

提出一种基于双曲函数的变步长最小均方(LMS)算法.通过对双曲余弦函数进行数学变换,建立起误差信号与步长因子的LMS算法,根据误差信号的变化来自动调节步长的大小.仿真结果证明:所提出的LMS算法比标准的LMS算法有着更快的收敛速度等优点.     

基于模糊推理的变步长LMS自适应滤波算法

LMS算法是一种基于最速下降法的最小均方误差自适应滤波算法.为了提高LMS算法的收敛速度,依据模糊控制原理,推导出一种结构简单的步长与误差的非线性函数关系,进而得出一种新的变步长LMS自适应滤波算法（FVSLMS）,该算法结构简单,易于实现.在理论上,根据万能逼近定理,用FVSLMS算法可以以任意精度逼近步长与误差的非线性函数关系,因此它可以作为以误差调节步长的变步长LMS算法的一类统一形式.最后,通过计算机仿真说明了FVSLMS算法具有较好的收敛性能.     

改进的变步长LMS自适应滤波算法及其仿真

对变步长的(LMS)自适应算法进行了讨论,本文提出了一种新的变步长LMS自适应滤波算法,并用计算机进行了仿真,结果表明该算法在误差接近于零时步长具有缓慢的变化的特性,并且在低信噪比的环境下有更好的抗噪性能,滤波效果更好。     

一种改进的LMS滤波器在DCG去噪中的应用

研究了LMS自适应滤波器在动态心电信号去噪中的应用。提出了一种适合动态心电信号预处理的变步长LMS改进算法,该算法用误差信号对期望信号的相对误差的平方根来调节步长。实验表明,这种改进滤波器在收敛速度和信噪比两方面都优于固定步长的滤波器。     

改进自适应对消算法在工业噪声处理中的应用

分析了工业环境噪声的特点,将自适应噪声对消算法应用到工业噪声的处理当中.在传统最小均方(LMS)算法及基于Lorentzian函数的变步长LMS算法的基础上进一步进行约束稳定性条件处理,提出了一种约束稳定性变步长LMS算法,并在Matlab平台上进行了仿真验证.结果表明:算法具有更快的收敛速度以及更小的稳态误差,并且能有效地降低梯度噪声对算法性能的影响.