一种新变步长LMS算法及在自适应波束形成中的应用

LMS算法是智能天线自适应波束形成算法中的经典算法,由于其步长固定,造成收敛速度和稳态失调之间的矛盾。为了解决这一问题,提出一种新的变步长LMS算法,并在算法中引入误差信号的自相关估计,大大降低了噪声的干扰,对算法进行仿真,得到了最优的参数设置。利用蒙特卡罗方法对算法进行了性能评估,与传统的LMS算法、NLMS算法相比,新的变步长LMS算法具有更快的收敛速度和较小的稳态误差及优良的抗噪性能。     

一种新的变步长LMS算法分析

最小均方(LMS)自适应滤波算法易于实现,在很多领域得到了广泛地应用.但是存在加快算法收敛和减小稳态误差之间的矛盾,而固定步长LMS算法无法解决矛盾.用反正切函数alan建立了步长因子与误差之间一种新的非线性函数关系.给出了一种新的变步长LMS算法.反正切函数较Sigmoid函数简单且易于控制,并且可以使步长在误差接近为零时变化缓慢.从而可以使算法具有更小的稳态误差.还分析了参数、对算法性能的影响.计算机仿真结果与理论分析一致,算法的性能优于固定步长LMS算法和SVSLMS算法.     

一种改进变步长因子LMS算法的研究

传统的LMS算法,由于其步长因子μ是事先指定的固定值,因而在迭代过程中不能随着估计误差e（n）来进行相应的调整,所以其收敛性完全由初始条件和步长决定。为了改变这种状况,文章提出了一种步长因子μ（n）随时间变化的LMS算法,其收敛速度快于LMS和NLMS,具有较小的失调,将本算法应用于自适应预测系统,Matlab仿真实验结果与理论分析一致。     

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。     

基于智能天线的LMS算法的研究

对智能天线中的自适应波束成形算法进行研究,并利用Matlab软件对固定步长和变步长两种LMS算法进行计算机仿真实验。仿真结果表明,变步长的LMS算法均方误差收敛效果较好,波束形成对干扰信号的抑制更加精确,有较强的实用性。     

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.     

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。     

基于箕舌线变步长LMS算法的分析与改进

研究系统跟踪性能和误差问题,为了改善基于箕舌线的变步长最小均方(LMS)算法的收敛速度和对信号输入端不相关噪声的抗干扰性,首先对现有的典型变步长LMS算法进行了分析归纳.在箕舌线变步长LMS算法(TCLMS)的基础上通过结合其他典型算法的优点,提出了TCLMS算法的改进算法.算法不仅继承了TCLMS算法计算复杂度低的优点,并且通过引入动量项与前后误差的自相关估计对其收敛速度慢,抗不相关噪声干扰性能差的特性进行了改善.在MATLAB进行仿真,结果表明,改进算法具有收敛速度快,计算复杂度低,稳态误差小,抗噪声能力强等特点.     

两种自适应波束形成算法研究

波束形成技术是智能天线领域的核心技术,且自适应算法的收敛性能、运算量的大小等因素直接影响着整个系统的性能。介绍了智能波束形成的基本理论,研究了基于最小均方误差算法(LMS)和递归最小二乘算法(RLS)的非盲波束形成算法,同时也提出了改进的LMS算法,最后通过仿真分析得出了收敛后的天线方向图、收敛速度及各项性能指标,并对两种算法做了性能比较。     

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。     

一种新的可变步长LMS自适应滤波算法

针对LMS算法收敛性能差的缺点,提出一种改进LMS算法即NLMSISA.首先从理论上分析并介绍了LMS算法及其改进算法,并将改进算法-变符号函数法(ISA)和归一化变步长(NLMS)算法有机结合,提出了该NLMSISA算法,理论上该改进算法具有物理实现难度低、收敛速度快、且能收敛到更小且稳定的均方误差(MSE)的特点.在MATLAB下,通过采用LMS、LMSISA和NLMSISA三种算法对FIR和IIR两种结构的系统分别进行了辨识仿真研究,结合三种算法的均方误差收敛曲线分析,验证了提出的改进LMS算法在敛速度、稳态误差上都明显优于现有几种算法.该算法对于实际工程应用的自适应滤波问题提供了一个较好的算法.     

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.     

一种改进变步长LMS算法的性能研究

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,理论分析及计算机的仿真结果表明,该算法可保证较快的收敛速度和较小的失调,能更好地解决收敛速度和稳态误差的内在矛盾,可更好地应用于自适应系统中。     

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。     

一种引入动量项的变步长LMS算法的研究

该文针对SVSLMS算法步长函数在误差e（n）接近零处不具有缓慢变化的缺点和MLMS算法由于采用固定步长使得在稳态阶段权值更新到期望值速度过慢的不足进行了讨论。通过更新SVSLMS算法步长函数和在权值调整式中增加动量项,该文提出了一种改进算法—SVS-MLMS算法。该算法具有步长函数在误差e（n）接近零处能够缓慢变化的优点,使得在白适应稳态阶段的步长稳定在最优值,进而使权值收敛到最佳。仿真结果证明该算法在学习曲线收敛速度加快和稳态误差减小方面取得了较好的效果。该文还讨论了算法中三个参数a,b,r的取值对算法收敛性能的影响,确定了它们的最优值。     

一种变步长的自适应相干累积算法

提出了一种变步长的自适应相干累积算法。保证了失调误差较小，同时使算法在自适应初始阶段有较快的收敛速度。并且算法不受不相关噪声的干扰仿真结果也说明此算法的优越性。     

一种新的变步长LMS自适应滤波算法

传统LMS算法的优点是计算简单、易于实现，缺点是收敛速度慢，如果为加快收敛速度而增大步长因子μ，则会导致大的稳态误差，甚至引起算法发散。固定步长因子无法解决收敛速度和稳态误差之间的矛盾。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，得出一种新的变步长自适应滤波算法（SVSLMS）。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。即在计算量增加不多的前提下，能同时获得较快的收敛、跟踪速度和较小的稳态误差。