一种基于均方偏差分析的通用最小均方算法

无论是传统的定步长还是最近新提出的变步长最小均方(LMS)算法,在处理特定数学特征的信号时需要对算法参数进行先验的估计才能达到较好的效果.但在实际信号处理过程中,算法参数的估计本就是一个很困难的过程.该文分析了LMS算法的均方偏差及收敛特性,并提出一种以相对误差为变量的变步长LMS算法,能够实现步长控制参数的自估计;可以自适应不同数学特征的信号,具体算例表明新算法有更快的收敛速度和较小的均方误差.     

一种方向优化最小均方算法

最小均方(Least Mean Square, LMS)算法的更新方向是对最速下降方向的估计,其收敛速度也受到最速下降法的约束。为了摆脱该约束,该文在对LMS算法分析的基础上,提出一种针对LMS算法的分块方向优化方法。该方法通过分析误差信号来选择更新向量,使得算法的更新方向尽可能接近Newton方向。基于此方法,给出一种方向优化LMS(Direction Optimization LMS, DOLMS)算法,并推广到变步长DOLMS算法。理论分析与仿真结果表明,该方法与传统分块LMS算法相比,有更快的收敛速度和更小的计算复杂度。     

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,分析了GLMS算法的性能,并根据GLMS算法,导出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。     

一种新型自适应最小均方算法

针对最小均方(LMS)算法应用于功率放大器时存在收敛速度与收敛精度相矛盾的问题,提出了基于步长比较的最小均方算法。在带有P因子的变步长最小均方算法的基础上,采用简化的Sigmoid函数对步长进行改进,通过对前后两次步长的比较来确定是否更新权系数,以误差的自相关时间均值及均方误差的时间均值来调节算法步长,可以加快算法的收敛速度,降低算法的计算量。仿真结果表明,与最小均方算法相比,经过自适应预失真处理后,该算法的误差向量幅度(EVM)值提高了2.653 2%,系统邻信道功率比(ACPR)减少了4 dB。     

鲁棒总体均方最小自适应滤波:算法与分析

本文研究了在输入输出观测数据均含有噪声的情况下如何有效地进行鲁棒自适应滤波的问题.以总体均方误差(TMSE)最小为准则,基于最速下降原理,通过对总体均方误差梯度进行修正,提出了一种鲁棒的总体均方最小自适应滤波算法.通过与已有算法的对比分析表明,该算法能够有效地降低权向量的每步调整量对噪声的敏感程度.仿真实验的结果进一步表明,该算法的鲁棒抗噪性能和稳态收敛精度明显地高于其它同类方法,而且可以使用较大的学习因子,在高噪声环境下仍然保持良好的收敛性.     

一种新的变步长最小均方自适应滤波算法

将步长因子与误差信号和测量噪声方差之间的一种函数关系引入自适应滤波器,提出了一种变步长最小均方自适应滤波算法.与已有算法相比,本文算法的步长因子更易于设计和控制.仿真结果表明本算法具有很好的收敛性能,同时也证实了本文算法的有效性.     

一种最小均方卷积反演方法

本文提出一种最小均方卷积反演方法,其解偏离真解的均方误差为最小。从而有效地抑制了数据误差的影响。     

基于最小均方误差的8PSK解调算法

在EDGE( Enhanced Data Rate for GSM Evolution)移动通信系统中,提出了一种基于最小均方误差的自适应8PSK均衡解调算法.利用基于最小均方误差的自适应滤波器,根据突发中已知的训练序列,可快速准确地估计出系统信道参数,然后通过判决反馈均衡消除多径信道对接收信号的干扰,从而保证系统的性...     

一种约束稳定性最小均方波束形成算法

针对归一化最小均方（NLMS）算法步长调整精度不高的问题,将约束稳定性最小均方（CS-LMS）算法应用于智能天线的波束形成问题。通过引入后验误差的稳定性约束条件,构建适合波束形成问题的优化目标,并给出了其解的计算复杂度、收敛速度和稳态误差的理论分析。计算机仿真结果证实,CS-LMS波束形成算法比NLMS算法具有更加优良的抗干扰性能,较快的收敛速度,良好的系统跟踪能力和较小的稳态误差,尤其是当输入信号发生中断或突变时,算法依然工作得很好。     

最小均方自适应时延估计算法的频域实现与仿真

针对广义互相关法在动态环境下进行时延估计时的局限性,文中分析了自适应时延估计的估计特性,提出了最小均方自适应时延估计的频域实现算法,仿真结果表明该算法有很好的估计性能。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

基于Sigmoid框架的非负最小均方算法

脉冲噪声会导致非负算法在迭代过程中存在过大的误差值,进而破坏算法的稳定性使其性能严重下降,对此该文提出一种基于Sigmoid框架的非负最小均方算法(SNNLMS)。该算法将传统的非负代价函数嵌入Sigmoid框架中得到新的代价函数,新的代价函数具有抑制脉冲噪声影响的特性。此外,为了增强SNNLMS算法在稀疏系统识别问题上的鲁棒性,该文还提出基于反比例函数的反比例Sigmoid非负最小均方算法(IP-SNNLMS)。仿真结果表明SNNLMS算法有效地解决了脉冲噪声造成的失调问题;IP-SNNLMS增强了算法鲁棒性,改进了算法在稀疏系统识别问题中收敛速率上的缺陷。

     

一种基于最小均方误差准则的唯方位定位方法

为了使目标位置估计点到各个观测站定位视线的距离和达到最小,提出一种利用最小均方误差准则,使用加权约束条件得到最佳逼近解的多站唯方位无源定位新方法。该方法在二维和三维情况下均适用,并且最少只需要两个观测站即可实现定位,定位误差趋近于克拉美-罗下界（CRLB）。仿真结果验证了该方法的可行性和有效性。     

GSC框架下的最小均方超声波束形成算法

针对传统超声信号幅度变迹方法中主瓣宽度较宽、空间分辨率较低的问题,提出了一种基于广义旁瓣相消器框架下的最小均方超声波束形成算法。该方法基于期望信号最小方差无失真准则,构造广义旁瓣相消器,将接收到的超声信号分解为自适应与非自适应上下两个部分:上支路保留期望信号与噪声信号,且期望信号无失真响应约束得到保证;下支路阻塞期望信号,只含有噪声。将两路信号进行维纳滤波,上下支路噪声得到抵消,期望信号被无失真输出。为了使该算法在硬件上易于实现,采用最小均方算法自适应迭代求取,并给出了FPGA的详细设计过程。仿真实验表明,采用该算法加权的得到的波束与传统幅度变迹方法相比,主瓣更窄,具有抑制干扰和噪声的能力,提高了超声成像的横向分辨率与对比度分辨率。     

基于信誉机制的分布式扩散最小均方算法

非安全环境中的无线传感器网络(WSN)可能存在恶意攻击节点,恶意节点将会篡改其观测数据以影响参数估计的准确性。为此,该文提出基于信誉机制的分布式扩散最小均方(R-dLMS)算法和扩散归一化最小均方(R-dNLMS)算法。该算法能够根据各节点对整个网络参数估计的贡献来设置相应的信誉值,从而减小恶意节点对网络攻击的影响。仿真结果表明,与无信誉值的算法相比,该算法的性能得到大幅度提高,且R-dNLMS算法在R-dLMS算法的基础上,算法性能得到进一步提升。     

一种约束稳定性最小均方噪声对消算法

研究了最小均方误差(LMS)算法、归一化的最小均方(NLMS)算法及变步长NLMS算法在自适应噪声干扰抵消器中的应用,针对目前这些算法在噪声对消器应用中的缺点,将约束稳定性最小均方(CS-LMS)算法应用到噪声处理中,并进一步结合变步长的思想提出来一种新的变步长CS-LMS算法。通过MATLAB进行仿真分析,结果证实提出的算法与其他算法相比,能很好地滤除掉噪声从而得到期望信号,明显的降低了稳态误差,并拥有好的收敛速度。