共查询到10条相似文献,搜索用时 15 毫秒
1.
LMS算法在自适应滤波器中得到广泛应用,但这种方法具有收敛速度慢,对非平稳环境敏感性强,步长需要谨慎选择才能达到收敛和失调的折中等缺点。为了改善非平稳条件下FIR自适应滤波器的性能,文章介绍了一种变步长的LMS算法,这种算法迭代过程中步长在规定的上下限内是关于信噪比的递减函数,用于自适应噪声对消器中去除含噪语音信号中的加性噪声,以解决固定LMS算法中跟踪速度和失调的矛盾。对不同信噪比的含噪语音信号去噪,仿真结果证明该方法优于NLMS(Normalized Least Mean Square)算法,在提高收敛速度的情况下减小了剩余均方误差和失调,但需增加少量的运算量。 相似文献
2.
3.
为规避最小均方(Least Mean Square,LMS)算法不能同时提高收敛速度和降低稳态误差的固有缺陷,以及已有变步长LMS算法存在收敛速度慢和稳态误差估计精度差的问题,文中提出了一种基于变步长归一化频域块(Normalized Frequency-domain Block,NFB) LMS算法的汽车车内噪声主动控制方法。为了比较,应用传统的LMS算法、基于反正切函数的变步长LMS算法和变步长NFB-LMS算法分别进行实测汽车车内噪声的主动控制。结果表明,与其他两个算法相比,变步长NFB-LMS算法的收敛速度提高了70%以上,稳态误差减小了90%以上。变步长NFB-LMS算法在处理车内噪声信号时具有很高的效率,为进行汽车车内噪声主动控制提供了一种新方法。 相似文献
4.
通过建立步长因子μ与误差信号e之间的非线性关系,提出一种新的基于抽样函数的变步长LMS算法,并进行了计算机仿真.结果表明,该算法除了具有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点外,其收敛速度、稳定性以及跟踪速度均优于传统固定步长LMS算法抽样函数、SVSI—MS算法。 相似文献
5.
针对传统最小均方误差谱幅度估计(MMSE—STSA.minimum mean-square error-short time spectral amplitude)语音增强算法无法有效的跟踪非平稳噪声变化的问题,对一种改进的MMSE-STSA语音增强算法进行了研究和仿真。该算法对背景噪声的估计利用加权噪声估计方法:采用一个非线性函数根据带噪语音信噪比(SNR.signal—to-noise ratio)的变化计算得到相应的加权因子并作用于带噪语音信号,对加权的带噪语音求平均得到估计的背景噪声。算法中的谱增益修正,还可以抑制低信噪比时的残留噪声以及避免对带噪语音的过抵消。实验结果表明,该方法能很好的跟踪非平稳噪声的变化,不仅在增强性能上有很好的效果,同时降低了语音的失真。 相似文献
6.
7.
8.
在分析传统LMS算法、变步长LMS算法及其改进算法的基础上,通过建立步长因子μ与误差信号е之间的非线性关系,提出了一种改进的变步长LMS自适应滤波算法,并将其应用于自适应噪声抵消中,还分析了参数对算法性能的影响,结果表明该算法具有较快的收敛速度和较小的稳态失调。文中最后给出了仿真结果,仿真结果与理论分析一致。 相似文献
9.