自适应噪声对消的归一化LMS算法

为了克服自适应滤波中固定步长LMS算法存在收敛速度与稳态误差的矛盾,本文通过MATLAB仿真不同步长因子下LMS算法的学习曲线,分析了LMS算法在收敛过程中存在的矛盾,并运用归一化LMS(NLMS)算法来改善上述矛盾。NLMS算法是通过输入变量改变步长因子从而改变算法的收敛特性。本文对NLMS与LMS算法的误差曲线仿真并进行稳态误差效果比较,结果显示NLMS算法的稳态误差精确度明显提高,收敛速度加快。通过将LMS算法与NLMS算法应用于自适应噪声对消中,得到NLMS算法具有收敛速度更快同时稳态误差更小的特性,该算法能够快速对干扰信号作出反应,使除噪效果更好。     

一种稳定的变步长块LMS自适应算法

针对LMS自适应滤波算法在输入信号高度相关时.收敛速度下降导致性能下降,本文从基本的块LMS算法开始,简要介绍了块LMS算法的实现方法,在此基础上重点分析了在变步长块LMS算法中,影响步长因子的要素.提出了一种新的变步长因子迭代算法(SVBLMS),该迭代算法充分考虑输入信号和误差信号对变步长因子的影响.并且迭代的结构简单,计算量小.通过Matlab仿真.仿真结果表明.该迭代算法较其它块LMS算法有更快的收敛速度,更稳定的收敛过程.当输入为有色信号或输入噪声较大时,本算法都能保持良好的性能.     

一种新的可变步长LMS自适应滤波算法及其算法分析

在讨论基本LMS．变步长NLMS和LMS／F组合自适应滤波算法的基础上提出一种新的可变步长LMS自适应滤波算法,新算法引入修正系数和遗忘因子．并利用和来产生新的步长参与迭代。计算机仿真结果表明,与基本LMS算法或变步长NLMS、LMS／F组合算法相比,新算法在保持算法简单这一特点的同时进一步加快了收敛速度,并能够收敛到更小且稳定的均方误差(MSE)。     

基于小波变换的变步长LMS自适应滤波算法

变步长LMS自适应滤波算法通过构造合适的步长因子有效的解决了传统LMS算法收敛速度和稳态误差相矛盾的问题.变换域LMS自适应滤波算法通过正交变换降低了输入信号矩阵的相关性,提高了算法的收敛速度.将这两种算法相结合,提出了一种新的基于小波变换的变步长LMS自适应滤波算法.仿真结果表明,该算法无论是收敛速度还是稳态误差都有了很大的提高.     

一种新的可变步长LMS自适应滤波算法

在简单讨论基本LMS，变步长NLMS和LMS／F组合自适应滤波算法的基础上提出一种新的可变步长LMS自适应滤波算法，新算法引入修正系数ρ和遗忘因子λi=exp(-i)，并利用ρ和λi来产生新的步长参与迭代，计算机仿真结果表明，与基本LMS算法或变步长NLMS、LMS／F组合算法相比，新算法在保持算法简单这一特点的同时进一步加快了收敛速度，并能够收敛到更小且稳定的均方误差(MSE)。     

使用变步长频域LMS算法的自适应Volterra均衡器

Volterra均衡器能够有效地克服卫星信道的非线性失真,但由于非线性均衡器的输入矩阵特征值扩展严重,使得自适应过程收敛缓慢。为克服这个缺点,提出应用变步长的频域LMS算法对Volterra均衡器的权值系数进行自适应更新。算法利用正交变换降低输入序列的相关性,同时动态地调整迭代步长提高均衡器的收敛速度。仿真结果表明与时域算法相比,均衡器的收敛速度提高了25倍左右;均衡器收敛后纠了信号的幅度和相位失真。     

基于S型函数的变步长LMS自适应滤波算法

本文通过建立步长因子μ与误差信号之间的非线性函数关系,得出一种新的变步长自适应滤波算法(SVSLMS)。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。     

一种新的变步长变换域自适应滤波算法

变换域LMS算法能通过正交变换有效降低输入信号自相关矩阵特征值的分散程度,可提高算法的收敛速度;变步长LMS算法可以克服固定步长因子所导致的算法在较快收敛速度和较小稳态误差之间存在的矛盾,从而获得较快的收敛速度和较好的收敛结果。将二者相结合,提出了一种新的变步长变换域自适应滤波算法。计算机仿真结果表明该算法具有更快的收敛速度和更小的稳态误差,并且运算量较少,具有良好的实用性能。     

一种改进的解相关变步长LMS算法

讨论了一类针对传统LMS算法进行改进的变步长自适应算法,分析其性能,对原有算法进行改进,并针对输入信号高度相关时算法收敛速度下降导致性能下降的问题,引入了解相关原理,用输入向量的正交分量来更新滤波器权系数,有效加快了算法的收敛速度,并保持了原算法的良好性能。     

一种新的变步长LMS自适应滤波算法及其仿真

传统变步长LMS算法存在收敛速度慢、易受噪声影响等缺点,为了提高算法性能,论文建立了LMS算法中步长因子μ(n)和误差信号e(n)的相关统计量之间的非线性关系,提出了一种基于改进的双曲正切函数的变步长LMS(HTLMS)算法.算法采用当前误差与上一步误差乘积的绝对值来调节步长,并引入了绝对估计误差的扰动量来更新自适应滤波器抽头向量,因而具有收敛速度快、噪声抑制能力强和稳态误差低等特点.计算机仿真结果表明,在不同信噪比条件下,与多种LMS算法相比,本文算法都具有较快的收敛速度和较好的稳态误差.     

一种改进的变步长ELMS算法

在简单讨论基本最小均方(LMS)算法的基础上,引入了扩展的最小均方(ELMS)算法,并分析说明了该算法能达到更小的稳态MSE。改进的变步长ELMS算法是在对有用信号的预测中采用了自适应为归一化的的最小均方(NLMS)预测估计器,步长的迭代中引入遗忘因子i,利用其与误差信号的加权和来产生新的步长参与迭代。理论分析与计算机仿真结果表明,该算法有较好的收敛性能和较小的稳态失调。     

New Variable Step-Sizes Minimizing Mean-Square Deviation for the LMS-Type Algorithms

The least-mean-square-type (LMS-type) algorithms are known as simple and effective adaptation algorithms. However, the LMS-type algorithms have a trade-off between the convergence rate and steady-state performance. In this paper, we investigate a new variable step-size approach to achieve fast convergence rate and low steady-state misadjustment. By approximating the optimal step-size that minimizes the mean-square deviation, we derive variable step-sizes for both the time-domain normalized LMS (NLMS) algorithm and the transform-domain LMS (TDLMS) algorithm. The proposed variable step-sizes are simple quotient forms of the filtered versions of the quadratic error and very effective for the NLMS and TDLMS algorithms. The computer simulations are demonstrated in the framework of adaptive system modeling. Superior performance is obtained compared to the existing popular variable step-size approaches of the NLMS and TDLMS algorithms.     

On the convergence behavior of the LMS and the normalized LMSalgorithms

It is shown that the normalized least mean square (NLMS) algorithm is a potentially faster converging algorithm compared to the LMS algorithm where the design of the adaptive filter is based on the usually quite limited knowledge of its input signal statistics. A very simple model for the input signal vectors that greatly simplifies analysis of the convergence behavior of the LMS and NLMS algorithms is proposed. Using this model, answers can be obtained to questions for which no answers are currently available using other (perhaps more realistic) models. Examples are given to illustrate that even quantitatively, the answers obtained can be good approximations. It is emphasized that the convergence of the NLMS algorithm can be speeded up significantly by employing a time-varying step size. The optimal step-size sequence can be specified a priori for the case of a white input signal with arbitrary distribution     

迭代变步长LMS算法及性能分析

针对固定步长LMS(Least Mean Square)算法(FXSSLMS)不能同时满足快速收敛和小稳态失调误差的问题,该文提出了迭代变步长LMS算法(IVSSLMS)。与已有的变步长LMS算法(VSSLMS)不同,该算法的步长因子不再是由输出误差信号控制,而是建立了与迭代时间的改进Logistic函数非线性关系,克服了定步长算法收敛慢及已有变步长算法抗噪声干扰能力差的问题。最后从理论上分析了算法的性能,给出了其参数取值方法。理论分析和仿真均表明,所提算法能够在快速收敛情况下获得小的稳态失调误差,在有色噪声干扰下稳态失调误差比已有算法降低了约7 dB。     

LMS算法收敛步长的精确求解

本文提出了用步长阀值上下限的算术平均值去计算收敛步长的新方法,通过LMS算法失调量的精确分析,寻出了计算步长的公式.计算机模拟结果证实了本文方法及其步长计算公式的准确性.     

A general class of nonlinear normalized adaptive filteringalgorithms

The normalized least mean square (NLMS) algorithm is an important variant of the classical LMS algorithm for adaptive linear filtering. It possesses many advantages over the LMS algorithm, including having a faster convergence and providing for an automatic time-varying choice of the LMS stepsize parameter that affects the stability, steady-state mean square error (MSE), and convergence speed of the algorithm. An auxiliary fixed step-size that is often introduced in the NLMS algorithm has the advantage that its stability region (step-size range for algorithm stability) is independent of the signal statistics. In this paper, we generalize the NLMS algorithm by deriving a class of nonlinear normalized LMS-type (NLMS-type) algorithms that are applicable to a wide variety of nonlinear filter structures. We obtain a general nonlinear NLMS-type algorithm by choosing an optimal time-varying step-size that minimizes the next-step MSE at each iteration of the general nonlinear LMS-type algorithm. As in the linear case, we introduce a dimensionless auxiliary step-size whose stability range is independent of the signal statistics. The stability region could therefore be determined empirically for any given nonlinear filter type. We present computer simulations of these algorithms for two specific nonlinear filter structures: Volterra filters and the previously proposed class of Myriad filters. These simulations indicate that the NLMS-type algorithms, in general, converge faster than their LMS-type counterparts     

用于ADSL中的变步长LMS算法

本文给出了一种改进的LMS算法，该算法可应用于非对称数字用户线中实现回波抵消功能，从而在低频段的子通道内同时传输上行和下行的数据。新算法利用误差信号的相关值调节算法步长，具有较好的抗干扰性能，解决了算法收敛时间和稳态误差间的矛盾，为实际应用提供了更大的控制灵活性。仿真结果表明，在低信噪比的环境中，改进算法的收敛速度和稳态误差等性能指标都有较大的提高。并对随机出现的脉冲干扰表现出较好的鲁棒性。     

一种改进的NLMS算法在声回波抵消中的应用

收敛速度和残余均方误差是衡量最小均方算法性能的重要指标。在声回波抵消算法中,为了寻求收敛速度快和计算量小的自适应算法,在归一化最小均方误差算法基础上,把当前时刻以前的误差引入归一化收敛因子中得到一种新算法,可以减小信号样本波动对权重带来的影响。该算法比传统的归一化最小均方算法收敛性能更好,稳态失调也比其小。计算机仿真结果表明,新算法在自适应回波抵消中的综合性能要优于传统的归一化最小均方误差算法。