基于广义最小均方的自适应递归滤波算法

本文提出了一种广义最小均方(GLMS)算法，详细地分析了GLMS算法的性能，并根据GLMS算法，导出了一种自适应递归滤波(ARF)算法。在推导中，ARF算法避开了超稳定定理，从而考虑自适应系统的严格正实条件和Popov不等式是不必要的。计算机模拟表明ARF算法具有很高的收敛速度。     

改进的凸组合最小均方算法

凸组合最小均方（CLMS）算法能够克服传统最小均方算法收敛速率、跟踪性能和稳态误差之间的矛盾. 但传统CLMS算法使用最速下降法推导参数导致其搜索路径呈“之”字形而使收敛速率变慢,为了解决这个问题,采用共轭梯度法实现参数的更新,同时使用双曲正切函数拟合Sigmoid函数来降低算法的运算复杂度. 为进一步提高算法性能,在所设计的基础上附加瞬时转移结构实现优化. 仿真结果证明,改进算法与传统CLMS、变步长CLMS相比,在噪声、相关信号输入以及非平稳环境下能够保持较好的均方性能和跟踪性能.     

基于维特比算法和最小均方算法的自适应判决反馈均衡性能比较

对AWGN信道下具有串扰的通信系统进行了基于维特比算法和最小均方算法(LMS)自适应判决反馈均衡的计算机仿真.然后对它们的性能曲线进行了分析,得出基于维特比的最大似然估计法(MLSE)在对抗码间串扰时要优于基于LMS算法的自适应反馈均衡法的结论.     

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.     

基于中值滤波的分布式扩散最小均方算法

研究无线传感网潜在的恶意攻击节点对系统整体估计性能的影响,从节点选择的角度入手,改进原有扩散最小均方算法的融合步骤。针对接收到的相邻居节点估计值采用中值滤波处理,替代原来的融合方法,以降低恶意攻击节点对整个网络的影响。通过改变恶意节点攻击强度或恶意节点度,对改进算法进行仿真,结果显示全局均方偏差值有所降低,且改进算法对恶意节点攻击强度和恶意节点度的改变并不敏感。     

恶意攻击下改进的分布式扩散最小均方算法

给出一种改进的分布式扩散最小均方算法,以改善无线传感器网络中攻击节点对网络估计性能的影响。根据攻击节点及正常节点估计值与待估目标参量的差值,确定采集数据被篡改程度,将其归一化后,作为融合权重,代替原扩散最小均方(DLMS)算法中固定的融合权重。仿真结果显示,通过动态改变融合权重,改进算法的全局均方偏差值有所降低,且对网络所受攻击强度的改变不敏感。     

适用LDPC码的基于最小均方误差准则的改进译码算法

提出了一种适用于LDPC码的基于最小均方误差准则的UMP BP-based改进译码算法。该算法结合了两种UMP BP-based改进译码算法(normalized UMP BP-based译码算法和offset UMP BP-based译码算法)的处理方法，并基于最小均方误差准则得到相应的归一化因子和偏移量因子。仿真结果表明，当使用码长为1008，码率为1/2的(3,6)规则LDPC码时，所提算法和上述两种算法相比，在BER=10-6时，可以节省0.03dB。     

基于LMS算法的自适应均衡器的MATLAB实现

介绍了基于最小均方算法(LMS算法)的自适应均衡器的原理和结构，针对用硬件实现LMS算法的自适应均衡器存在的诸多缺点，利用MATLAB工具对各种结构形式的自适应均衡器在不同信道模型下的收敛速度和精度进行仿真，并介绍了该仿真程序。     

离散系统参数自适应辨识的最小二乘正交变换方法

基于最小二乘法在消除干扰方面的应用,应用矩阵变换及数值拟合的原理,充分考虑随机信号的影响,给出了一种正交变的离散差分模型自适应辨识方法,它能自动判别模型的阶,还能体现模型参数随信息更新的而实时更新的动态过程,提出了渐近消除记忆的时变离散系统参数自适应辨识方法。     

一种基于最小二乘的离散模型参数自适应辨识方法

给出了一种基于最小二乘的Ｈｏｕｓｅｈｏｌｄｅｒ正变矩阵变换方法求解一维及二维离散模型参数自适应辨识算法，计算机数字仿真表明了该方法的正角性和实用性。     

基于最小二乘法的电力变压器参数辨识算法

根据变压器的Y/△接线方式,分别列写回路方程,消去三角形侧绕组中的环流和公共磁链的影响.这种方式无需改变三角形侧TA配置,直接利用三角形侧线电流构建了变压器绕组的电阻和电感参数辨识算法,利用带动态遗忘因子的最小二乘法,消除了最小二乘法"数据饱和"的影响.应用EMTP进行了仿真,结果表明,参数辨识算法稳定,不受负荷波动以及功率因数变化的影响,辨识精度较高.     

基于新拟牛顿法的自适应均衡技术

为了解决现代通信信道的码间干扰问题,提出了一种基于新拟牛顿法的自适应均衡算法,该算法用对称正定Hesse矩阵代替传统LMS/Newton法自相关矩阵的逆估计,克服了传统自相关矩阵估计误差对算法收敛性能的影响.信道均衡仿真结果表明,该算法具有较快的收敛速度和较低的误码率.     

神经网络用于系统辨识的一种最小二乘法

讨论了用多层前向神经网络建立非线性系统模型的机理,然后通过对多层前向神经网络特点的分析,给出了一种基于线性最小二乘法的神经元网络训练方案。在该方案中,通过梯度法获取隐层神经元的输入,使用线性最小二乘法训练各神经元的权值和阈值。仿真结果表明该方案具有精度高、收敛速度快等特点。     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

基于修正的最小均方误差分类算法的移动机器人运动规划

研究了不确定性环境下移动机器人躲避运动轨迹未知的移动障碍物的一种新方法．通过实时最小均方误差估计算法预测每个障碍物的位置及运动轨迹，并利用模式识别中最小均方误差分类器的修正模型计算出机器人的局部避障路径，再运用船舶导航中使用的操纵盘技术来确定每个导航周期中移动机器人的速．度仿真结果表明了该方法的可行性