基于RLS的二次加权相关时延估计算法

针对测向定位中时延估计的问题,提出了一种基于递推最小二乘（Recursive Least Squares,RLS）算法的二次加权相关时延估计方法。该方法在二次相关算法基础上,一方面引入RLS算法,在二次相关前进行自适应滤波,提高系统抗噪能力,且具有较快的收敛速度;另一方面借鉴广义互相关的思路,引入加权函数,并且采用二次加权方式,提高时延估计的性能。仿真结果表明,在低信噪比环境下,基于RLS的二次加权相关时延估计法使谱峰更加尖锐,抑制了噪声的影响,提高了估计的精度。     

一种自适应时延估计的新方法

最小均方（LMS）算法可用来进行时延估计。当算法收敛后,可以根据滤波器权系数最大值的位置估计整数倍采样周期的时延。为了估计非整数倍采样周期的时延,常用SINC函数插值法和约束自适应方法。利用SINC函数的特点和拉格朗日条件极值,对自适应时延估计的滤波器权系数做了改进,提出了新的约束自适应时延估计方法。仿真实验表明,提出方法的性能优于传统的自适应时延估计算法。     

一种有约束的自适应LMK时延估计算法

提出了一种有约束的自适应LMK时延估计算法,该算法的代价函数根据估计误差的峭度选取,算法直接对时延进行估计,不需进行插值运算.最后用实测的直升机辐射的噪声数据进行了仿真,表明新算法具有更快的收敛速度.     

一种基于LMS自适应滤波的互相关时延估计优化算法

在多站时差定位系统中使用基于LMS自适应滤波的互相关法进行时延估计时,若采用固定步长因子则会在收敛速度和稳态失调之间存在较大矛盾,从而影响时延估计精度。针对这一问题,文中提出了一种基于分段变步长LMS自适应滤波和希尔伯特差值的互相关时延估计优化算法。该方法首先采用分段变步长LMS自适应滤波对信号进行滤波处理,然后将滤波后的信号作互相关运算,最后通过希尔伯特差值法锐化相关函数的峰值,进一步提高时延估计精度。在相同条件下,文中模拟分析了不同算法的时延估计精度。实验结果表明,新的优化算法时延估计精度更高。在不同信噪比下,新方法相较传统时延估计方法精度提高了2.2%以上,具有良好的抗噪声性能。     

一种新的约束自适应时延估计方法

为了提高滤波器权系数收敛到真值的速度,提出了一种新的有约束条件的自适应时延估计方法,约束条件是让滤波器的权系数的平方和为1。仿真结果表明,新方法收敛到时延真实值的速度快于传统方法。     

基于LMS算法与RLS算法的自适应滤波

自适应信号处理的理论和技术已经成为人们常用滤波和去噪技术。文中讲述了自适应滤波的原理以及LMS算法和RLS算法两种基本自适应算法的原理及步骤。并用MATLAB分别对两种算法进行了自适应滤波仿真和实现。     

一种基于遗传算法的自适应时延估计

基于四阶累积量的约束自适应时延估计（FOC—ETDE）算法具有优良的时延估计性能,但它需要较好的时延估计初值。为了克服此缺点,文章引入遗传算法进行时延估计的寻优,无需时延的先验信息,在低信噪比的情况下可以准确地直接估计非整数倍采样间隔的时延。计算机仿真实验验证了新方法的有效性。     

一种基于RLS算法的改进自适应算法DSRLS

在简要介绍RIS算法的基础上,从信道的角度分析该算法的不足并提出了改进算法—双边RLS算法(DSRLS)。对于该算法先从理论的角度进行仿真,从而证明该改进方法的有效性,然后推导出适合于工程的递推算法,并给出递推算法的仿真结果。仿真结果表明DSRLS算法比RLS算法在收敛后具有更好的收敛性能。     

一种参数途径的自适应时延估计方法

时差定位应用中,需要首先对2个分开的传感器侦收的来波信号进行离散采样,然后估计时差。时差通常不是采样间隔的整数倍,导致常用时差估计方法的估计误差值可能达到0.5倍采样间隔。研究人员常用插值运算减小估计误差,但运算量较大。参数途径时延估计方法可以直接估计非整数倍采样间隔的时差,且不需要插值运算,运算量较小。应用(LMS)算法来实现参数途径时延估计方法,通过理论推导给出了时延估计的方法和步骤。计算机仿真验证表明了新方法的有效性和正确性。     

一种基于HB加权的频域自适应时延估计新算法

为了提高低信噪比情况下的自适应时延估计精度和收敛速度，提出了一种基于HB加权的频域自适应时延估计新算法。给出了频域自适应时延估计算法和新算法的原理模型。最后将该算法应用于低空目标声测定位中，用实测的直升机噪声数据进行了仿真。仿真结果表明，在低信噪比情况下，新算法有更高的估计精度，收敛速度和稳健性。     

基于简化型RLS算法的延迟改进型噪声抵消系统模型与实现

传统RLS算法由于复杂的矩阵运算而无法满足实时性要求,在传统RLS算法的基础上,提出基于简化型RLS算法的延迟改进型噪声抵消系统模型,并将此模型应用于TMS320C5509DSP的语音处理平台上实时实现。实验证明,该模型滤噪性能较普通的LMS自适应滤波器有显著提高,且可满足实时性要求。     

LMS算法和RLS算法在水声信道通信系统中应用的比较

为了减小水声通信系统中存在的由于多径传播效应引起的符号间干扰,可在系统中使用线性均衡器。首先介绍了LMS算法和RLS算法基本原理,利用Matlab仿真软件,给出了两种算法在水声信道通信系统中的自适应均衡的仿真系统,并对这两种算法对于均衡器的影响进行了比较,最后对比较的结果进行了分析。     

RLS算法自适应信道估计的性能分析

文中首先介绍了基本的RLS算法,分析了RLS算法中的初始化系数δ和遗忘因子λ对RLS算法收敛性能的影响。通过仿真可以看出,在相同的信噪比下,不同的δ对应不同的收敛性能。而不同的λ对收敛性能也有较大的影响。     

自适应算法LMS和RLS的仿真分析

在目前的移动通信领域中,克服多径干扰,提高通信质量是一个非常重要的问题,而自适应滤波器能很好的解决这个问题,自适应滤波器的核心是自适应算法。具体地讲述自适应算法的理论体系,模型及具体实施,分析两种典型的算法最小均方算法(LMS)和递归最小二次方算法(RLS),并根据仿真的结果得出结论。     

基于LMS算法与RLS算法自适应滤波及仿真分析

自适应滤波器在随机信号处理当中得到了广泛应用.文讲述了LMS算法和RLS算法的基本原理,基于两种算法的推导过程较为繁琐,不便理解,本文以两种算法的主要计算环节为突破口,选取合适的迭代公式,对两种算法进行公式推导,方便读者理解.同时,本文通过原理推导、软件仿真的试验方法,设置输入信号、噪声信号,通过输出信号的图像走势对两种算法的优缺点进行对比分析,使读者对两种算法及滤波器的设计具有直观的认识,有一定的参考意义.     

用于自适应天线的稳健的RLS算法

抗干扰通信是电子战的重要组成部分，自适应天线不仅具有很强的抗干扰能力而且可以与其它通信抗干扰技术相兼容，自适应算法是自适应天线的核心。本文把应用数学学科研究的热门方法之一“稳健估计（RE）”应用于RLS算法中，得到稳健的RLS算法（RRLS），理论分析与计算机模拟结果都证明了RRLS算法基本保持了RLS算法的优点，同时在抗突出值干扰方面，优于RLS算法，提高了RLS算法的稳健性。     

一种基于遗传算法的自适应参数型多径时延估计

基于四阶累积量的自适应参数型多径时延估计（FOC—APMTDE）算法只能直接估计整数倍采样间隔的时延,为了克服此缺点,引入遗传算法进行时延估计的寻优,保留了FOC—APMTDE算法良好的抑制相关或非相关高斯噪声的性能,在低信噪比的情况下可以准确地直接估计非整数倍采样间隔的时延。计算机仿真试验验证了新方法的有效性。     

MIMO-OFDM系统中一种基于自适应滤波的信道估计方法

该文提出了一种适用于MIMO-OFDM系统的基于自适应滤波器的信道估计方法,此方法在不需要任何信道统计信息的前提下,通过自适应滤波的方法对时变信道状态参数进行即时跟踪与估计。仿真结果表明该文提出的基于自适应滤波的信道估计方法,相比于不考虑噪声的基于LS算法的信道估计方法,MSE和BER性能均有很大的提高。其中基于LMS滤波器的信道估计方法具有计算复杂度小的特点;而基于RLS的信道估计方法具有收敛速度快,MSE和BER性能均优于基于LMS方法的特点。     

LMS与RLS算法仿真消噪对比研究

讨论了RLS（递归最小二乘）和LMS（最小均方）自适应滤波算法及原理,对两种算法进行了系统全面的分析,对比研究了各自的优势及不足,提出了两种算法在语音消噪仿真中的算法实现,对实际语音信号进行了仿真消噪,研究表明选用算法对语音消噪是明显有效的,RLS自适应消噪算法及LMS自适应噪声抵消算法具有很强的实际应用价值。