MIMO-OFDM系统自适应信道估计算法分析

在MIMO-OFDM系统中,信道参数估计对相干检测至关重要.现有的信道估计算法大多需要对大矩阵做求逆运算,计算复杂度高,或者需要预知信道统计信息.提出一种MIMO-OFDM系统的自适应信道估计算法,无需任何先验信道统计信息,就能够通过导频辅助和迭代的方法对时变信道状态参数进行即时跟踪与估计.仿真结果表明在MIMO-OFDM系统中,提出的基于LMS或RLS的自适应信道估计算法相比于传统的不考虑噪声的LS信道估计算法,MSE和BER等性能均有大幅提高,能够很好地抵御无线信道引起的多径效应的影响,适宜应用于MIMO-OFDM系统.     

基于声门脉冲的自适应时延估计算法*

在研究LMS自适应算法的基础上,提出一种基于声门脉冲的变步长LMS自适应时延估计新方法,并在相关噪声和混响的环境下与互功率谱相位广义互相关法(GCC-CSP)、变步长LMS自适应算法进行性能比较.实验结果表明,新方法具有很好的鲁棒性,即使在低信噪比强混响的环境下也能获得有效的时延估计.     

基于卡尔曼滤波的自适应极化参数估计方法

干扰的极化状态估计是极化滤波器设计中首要解决的问题.本文提出了一种基于卡尔曼滤波技术的自适应极化参数估计方法,由双极化回波模型进一步建立卡尔曼递推方程,递推方程的计算结果用于极化滤波器的设计.仿真试验中,将本文提出的自适应极化参数估计性能与变步长LMS算法的极化参数估计性能相比较.仿真结果表明,本文提出的算法具有很好的鲁棒性,同时其学习、跟踪性能优于变步长LMS算法.     

变步长LMS自适应滤波算法的改进及分析

在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,提出了一种改进的变步长LMS算法。新算法通过建立步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大和稳态阶段步长很小,具有收敛速度快,稳态误差小,迅速跟踪跃变系统的变化,并且不易受噪声影响的特点。理论分析和计算机仿真结果表明该算法优于传统算法。     

基于改进LMS算法的TH-UWB接收机

跳时超宽带（TH-UWB）无线通信系统通常采用RAKE接收技术。而信道估计的准确度直接影响系统接收性能。提出一种基于梯度的变步长的LMS算法进行信道估计。与传统LMS算法相比,改进的LMS算法可以获得更小的MSE（Mean Square Error）从而为接收机提供更精确的信道估计量。同时,结果也表明该算法提高了整个接收机性能,并获得更小的BER（Bit Error Rate）。     

基于箕舌线变步长LMS算法的分析与改进

研究系统跟踪性能和误差问题,为了改善基于箕舌线的变步长最小均方(LMS)算法的收敛速度和对信号输入端不相关噪声的抗干扰性,首先对现有的典型变步长LMS算法进行了分析归纳.在箕舌线变步长LMS算法(TCLMS)的基础上通过结合其他典型算法的优点,提出了TCLMS算法的改进算法.算法不仅继承了TCLMS算法计算复杂度低的优点,并且通过引入动量项与前后误差的自相关估计对其收敛速度慢,抗不相关噪声干扰性能差的特性进行了改善.在MATLAB进行仿真,结果表明,改进算法具有收敛速度快,计算复杂度低,稳态误差小,抗噪声能力强等特点.     

一种新的变步长LMS自适应滤波算法仿真研究

本文在介绍并分析了LMS算法及其改进算法的基础上,提出了一种新的变步长方法.通过MATLAB仿真对比实验,验证了该算法同固定步长LMS、变步长LMS算法相比,在均方误差和收敛速度方面都有很大的提高.该算法为自适应滤波的稳定和快速收敛提供了一个较好的解决方案.     

基于模糊推理的变步长LMS自适应滤波算法

LMS算法是一种基于最速下降法的最小均方误差自适应滤波算法.为了提高LMS算法的收敛速度,依据模糊控制原理,推导出一种结构简单的步长与误差的非线性函数关系,进而得出一种新的变步长LMS自适应滤波算法（FVSLMS）,该算法结构简单,易于实现.在理论上,根据万能逼近定理,用FVSLMS算法可以以任意精度逼近步长与误差的非线性函数关系,因此它可以作为以误差调节步长的变步长LMS算法的一类统一形式.最后,通过计算机仿真说明了FVSLMS算法具有较好的收敛性能.     

一种用于谐波检测的改进型自适应变步长最小均方算法

在低信噪比的环境下,噪声的存在容易造成有源电力滤波器谐波电流检测的不准确,从而导致补偿结果不精确。为了提高自适应检测算法对谐波电流检测的精度和跟踪速度,基于最小均方自适应算法提出了一种改进的变步长LMS算法。该算法根据稳态谐波均值为零的特点,采用历史误差的遗忘加权和来代替单一时刻的系统误差以动态控制步长的更新,通过步长因子与系统误差均值估计的类Sigmoid函数关系,实现动态控制其参数的变化,以保证算法具有较快的收敛速度、较高的精度和动态跟踪效果。仿真实验结果验证了该方法的有效性。     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。