MIMO系统自适应均衡算法研究

MIMO信道为频率选择性信道,由于时延扩展而存在色散,因此研究MIMO系统的自适应均衡技术显得尤为重要.通过对自适应均衡技术的两种主要的算法最小均方(LMS)算法和递归最小二乘(RLS)算法的研究可以看出,在不同的步长因子及遗忘因子等参数变化情况下,LMS算法的收敛速度较慢,但均衡简单易实现,RLS算法收敛速度较快,但迭代运算较复杂.结合二者的特点提出了在MIMO系统中引入改进的最小均方算法,即归一化最小均方(NLMS)算法.仿真实验对比表明NLMS算法的计算量与LMS相当,但收敛条件简单,易实现,收敛速度较快,有很实际的应用价值.     

自适应FIR滤波器的算法研究

针对有限脉冲响应(finite impulse response,FIR)数字滤波器结构的优化问题,通过在系统辨识模型中的应用,将粒子群优化算法(particle swarm optimization,PSO)与传统自适应最小均方(LMS)算法和递归最小二乘(RLS)算法仿真结果进行对比.实验结果表明了3种算法在不同的应用环境和条件下具有各自的优越性,为今后自适应滤波算法的选择提供了一定的参考信息.仿真结果中PSO算法在低阶滤波器应用中具有快速的收敛性、较高的计算精度以及低复杂度等特点,可以将其作为均衡算法对偏振膜色散进行补偿,为这一研究方向提供了新的思路和方法.     

一种用于实际OFDM系统的RLS自适应信道估计算法

对OFDM信道估计中的信道冲激响应(CIR)泄漏问题进行了分析,提出了一种新的时域一维递归最小二乘(RLS)自适应信道估计算法。RLS滤波器的输入和参考信号被一个独立于信道统计特性的矩阵加权,降低了CIR泄漏的影响。该算法保持了一维RLS算法低复杂度的特点,运算量远小于二维RLS算法。仿真结果证明,在非整数采样多径衰落信道下该算法极大提高了一维RLS信道估计的MSE性能,使其逼近于二维RLS算法。     

一种基于递归逆的快速盲均衡算法

在现代数字通信中,盲均衡算法是克服多径衰落引起的码间干扰(Inter symbol Interfer-ence,ISI)的有效方法。文章利用递归逆(Recursive Inverse,RI)自适应滤波算法收敛速度快、稳态均方误差小的优点,提出一种新的双模式盲均衡算法。该算法通过一种新的双模式机制,将RI自适应滤波算法应用于盲均衡,可以在获得小的MSE(Mean Square Error,MSE)的同时实现快速收敛。仿真结果表明,相比盲RLS(Recursive Least Square)算法和传统双模式算法,该算法在获得良好稳态MSE性能的同时提高了收敛速度,可以有效地对多径环境中突发信号进行盲均衡。     

基于RLS算法的并联型APF全局积分滑模变结构控制

针对并联型有源电力滤波器(Active Power Filter, APF)谐波检测环节的延时和谐波电流跟踪环节的鲁棒性差、跟踪精度不高的问题,建立了系统解耦后的数学模型,提出了基于递归最小二乘(Recursive Least Squares, RLS)算法的并联型APF全局积分滑模变结构控制策略。谐波检测环节采用改进的瞬时无功功率理论的id-iq法,将RLS自适应滤波器替换传统的Butterworth低通滤波器,解决了传统的Butterworth低通滤波器因延时而导致的一个基波周期(20ms)内检测盲区问题。谐波电流跟踪环节采用全局积分滑模变结构控制方法,引入了全局积分滑模面,运用Lyapunov稳定性理论导出的控制律兼顾了全局滑模的快速性和积分滑模的准确性。在解决了谐波检测环节延时的条件下,将全局积分滑模控制策略与传统的PI控制和滞环控制对比,仿真实验结果表明：全局积分滑模控制对指令电流具有更高的跟踪精度,且具有更低的电网侧电流总谐波畸变率(Total Harmonic Distortion, THD)。     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

长记录和病态TLS问题的处理方法

应用全局最小二乘法(Total Least Squares简称TLS)估计多输入多输出动态系统的参数,常常会遇到病态TLS问题和输入及输出实测值记录很长的情况.解决这两个问题,TLS法就能得到较宽的应用范围.     

RLS算法智能天线空时联合均衡技术

建立了一种空时信号传输模型,分析对比了递归最小二乘(RLS)和最小均方误差(LMS)两种算法后,提出了一种基于RLS算法,由智能天线和时域均衡器组成的采用后馈滤波器的空时联合均衡器,仿真结果表明,在多径衰落信道下该方法能有效改善系统抗干扰能力,算法简单且易于实现。     

一种改进的变步长LMS自适应滤波算法

针对自适应滤波领域的最小均方(Least Mean Square,LMS)算法无法权衡稳态误差和收敛速度这一矛盾,提出了一种改进的变步长LMS自适应滤波算法.该算法在基于对数函数的变步长LMS算法的基础上,建立了一种新的步长参数与误差的关系模型.仿真结果表明,提出算法与已有算法相比,能够达到更高的收敛精度及更快的收敛速...     

时变信道下CPM信号自适应盲均衡算法

针对时变频率选择性衰落信道下二阶连续相位调制 (CPM) 信号盲均衡中存在的均衡性能较差问题,提出了一种新的自适应盲均衡算法。该算法使用双向自适应软输入软输出(SISO)方法,同时利用过去、现在和将来的观察数据符号来进行递归最小二乘(RLS)估计,有效改善了信道估计的精度。仿真结果表明所提算法具有良好的盲均衡性能。     

二阶伏特拉滤波器RLS算法改进

分析了二阶伏特拉滤波器的一种快速RLS算法,针对其存在的收敛速度与收敛精度之间的矛盾,构造了遗忘因子函数并取代该算法中的固定遗忘因子,得到改进的RLS算法。提出了遗忘因子函数的构造原则并分析了相关参数的选取方法。算例表明:改进的RLS算法能解决收敛速度与收敛精度之间的矛盾,有效地加快了收敛速度。     

系统参数估计的递推最小范数解及其用于递推最小二乘算法的启动

用直接法导出了线性系统参数的递推最小范数(RMN)估计算法,并证明其结果与递推最小二乘(RLS)算法在参数估计初值取为零、且方差阵初值取为无穷大单位阵的极限情况下的启动阶段中所得结果相同,数字仿真表明,RMN算法用于RLS算法的启动阶段,一般地可使参数估计的初始收敛速度达到最快,此法也可用于控制理论中递推求解线性方程组。     

基于RLS的改进双线性模型的稳定性分析

双线性多项式的非线性特征只能靠输入-输出交叉项表达,无法精确地表达高阶非线性系统.为此,对改进双线性多项式模型的稳定性进行了研究.利用迭代最小二乘法辨识改进双线性模型的参数,在复数域中,推导该算法的迭代公式,并验证了系统模型的稳定性.结果表明,通过迭代最小二乘法辨识得到的系统模型为有界输入-有界输出稳定.     

基于小波消噪和自适应滤波的FECG提取

应用小波分析和自适应滤波消噪相结合的方法提取胎儿心电(feta electrocardiogram,FECG)信号.对样本信号对软阈值去噪和硬阈值去噪进行了对比分析,发现软阈值去噪较好.把去噪后的信号作为自适应滤波消噪的参考信号,将腹部信号作为主输入信号,构建了基于RLS自适应噪声抵消(recursive least squares adaptive noise cancellation)系统,并对其进行了样本试验.     

近似RLS算法及其应用

本文提出了一种新的自适应均衡算法——近似RLS算法,并把该算法应用于短波信道、判决反馈均衡器。分析和计算机模拟表明:近似RLS算法在收敛性能上近似于RLS算法,在计算效率和稳定性方面性能优于RLS算法。总之,该算法是一种简单而实用的自适应均衡算法。     

一种用于机动目标跟踪的多模型最小二乘方案

本文提出了描述运动目标的时间原点滑动多项式数学模型，并在此模型基础上，推导出用于目标跟踪的简化最小二乘算法．为适用于机动目标跟踪，选取了一个跟踪检测信号，确定出一套多模型滤波与预报策略．本文论述的方案的突出优点是计算量比卡尔曼滤波小得多，有利于实时实现．蒙特卡罗仿真结果说明该方案是一种适用于机动目标跟踪的优选方案．     

学习型预期与适应性学习算法研究

适应性学习作为理性预期的替代,正在广泛应用于宏观经济模型的构建。适应性学习假定经济行为主体能够像计量经济学家一样,运用统计或计量经济模型,去形成自己的预期。然而,预期的准确性与适应性学习算法密切相关。通过查阅适应性学习相关文献,对现有文献中常用的适应性学习算法进行梳理,并基于可变遗忘因子的最小二乘算法对两种常用适应性学习算法进行了理论推导,以期为以后的研究提供一定的借鉴。     

基于独立分量分析的降噪技术

介绍了新兴的独立分量分析技术的基本概念和原理,以及具有代表性的算法,即FastICA算法、EASI算法、非线性PCA算法和基于自然梯度的最大似然估计算法。通过降噪仿真实验,并采用均方误差作为降噪的性能指数,对这些算法与传统的自适应信号处理算法进行比较。所得实验结果表明,独立分量分析算法在降噪上的效果优于自适应信号处理算法。因此在降噪上具有较大的应用价值。