一种新的变步长LMS算法研究及其仿真

针对传统定步长LMS（FSS—LMS）算法无法兼顾收敛速度和稳态误差这一问题,在对定步长LMS算法的分析基础之上,根据变步长LMs（VSS—LMS）的步长调整原则,通过构造步长因子与H（n）与稳态误差e（n）之间的非线性关系函数,提出了一种基于双曲正割函数的新的变步长LMS算法,并且分析了参数取值对算法性能的影响。仿真结果表明：本文提出的算法具有收敛速度快、抗噪声性能强和稳态误差小等特点。     

基于S函数的改进变步长LMS自适应算法

变步长LMS自适应滤波算法通过构造步长因子来进行权值调整,使算法具有较快的收敛速度和较小的稳态误差。为了进一步改善算法的性能,提出一种基于S函数的改进变步长LMS自适应算法。该算法基于S函数的曲线特点,通过对函数的平移变换得到算法步长因子的表达式。为满足算法的可控性和抗干扰能力的要求,通过引入可控参数和误差向量自相关值来调整步长因子,得到算法的最终模型。详细分析了模型中各参数的取值对步长因子和滤波性能的影响。与现有算法的仿真结果对比表明,该算法在收敛速度、稳态误差及抗干扰能力方面的性能均有了很大的改善。     

基于Sigmoid函数的变步长LMS自适应滤波算法性能分析

总结了最小均方（LMS）、基于Sigmoid函数的变步长（SVS）-LMS、改进的SVS-LMS和基于误差相关的变步长LMS自适应滤波算法,讨论了各算法的收敛性能、跟踪性能和稳态误差,并通过计算机仿真,分析、验证各种变步长算法的不同性能表现以及误差阶数对算法性能的影响,给出了合理的建议。     

一种新的可变步长LMS算法及其性能分析

为了解决基本LMS（Least Mean Square）算法中收敛速度和稳态误差之间的矛盾，提出了一种新的可变步长LMS算法（λNVSS）。该算法通过引入修正系数β和遗忘因子λ，利用当前和过去共M（滤波器阶数）个误差信息来决定下一步的迭代步长。仿真结果显示，λNVSS算法对于平稳过程中的滤波器，能获得较NVSS更快的收敛速度和更小的稳态误差。同时，λNVSS算法还有较好的跟踪跃变系统的能力。     

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.     

基于误差反馈的变步长LMS自适应滤波算法

对变步长LMS滤波算法进行研究,提出一种新的变步长LMS自适应滤波算法。该算法基于Sigmoid函数,通过引入误差因子反馈来调整函数参数,解决了类Sigmoid函数中参数设置的问题,并使算法具有较快的收敛速度和较小的稳态误差。计算机仿真表明,相对于其他变步长算法,该算法在收敛速度和稳态误差方面均表现优异,具有较好适用性。     

新的变步长LMS算法在系统辨识中的应用

在分析最小均方误差(LMS)自适应滤波算法和变步长LMS算法的基础上,提出了一种新的变步长算法,该算法用误差的平均值来控制步长的变化,进一步的解决了收敛速度和稳态误差的矛盾。讲述了新算法的具体改进方式,并将该算法和变步长G-SVSLMS算法以及固定步长算法分别应用到系统辨识中,通过MATLAB进行仿真,结果证实文中提出的算法在明显提高收敛速度的同时,并拥有好的稳态误差。     

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。     

一种变步长LMS波束形成算法性能研究

智能天线的自适应算法通过迭代运算获取波束形成的最优权值矢量时,收敛速度和稳态误差是衡量一个算法是否优良的关键因素。它们的好坏直接影响着系统波束形成的性能。系统地分析了传统的最小均方（LMs）算法的收敛速度以及稳态误差的性能,在此基础上提出了一种新的变步长LMS算法,将此算法应用于波束形成,并用Matlab软件进行仿真。仿真结果表明,改进后的算法较传统LMS具有较快的收敛速度和较小的稳态误差。     

改进的变步长变换域最小均方算法

变换域是一种在强相关信号输入时加快自适应算法收敛的方法,但仍然存在收敛速度的要求与稳态失调的要求相矛盾的问题。本文在变换域最小均方误差算法（transform domain LMS, TDLMS）的基础上提出了一种改进的变步长方案,其变步长因子受到误差自相关的控制,消除了不相关的观测噪声的影响。本文分别在平稳和非平稳状态下,对算法的收敛和稳态性能进行理论分析,并给出了最佳的算法参数。仿真设置相同的稳态误差,结果表明本文算法在平稳状态下比固定步长的算法提前1300点收敛,在非平稳状态下提前1400点收敛,且与文献中其它变步长的算法相比收敛速度均有提升。      

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.     

平方根变步长lp范数LMS算法的稀疏系统辨识

针对稀疏未知系统的辨识问题,提出了一种基于lp(0相似文献   

A robust variable step-size LMS-type algorithm: analysis andsimulations

A number of time-varying step-size algorithms have been proposed to enhance the performance of the conventional LMS algorithm. Experimentation with these algorithms indicates that their performance is highly sensitive to the noise disturbance. This paper presents a robust variable step-size LMS-type algorithm providing fast convergence at early stages of adaptation while ensuring small final misadjustment. The performance of the algorithm is not affected by existing uncorrelated noise disturbances. An approximate analysis of convergence and steady-state performance for zero-mean stationary Gaussian inputs and for nonstationary optimal weight vector is provided. Simulation results comparing the proposed algorithm to current variable step-size algorithms clearly indicate its superior performance for cases of stationary environments. For nonstationary environments, our algorithm performs as well as other variable step-size algorithms in providing performance equivalent to that of the regular LMS algorithm     

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。     

依据迭代系数状态因子分段的变步长NLMS算法

针对固定步长的归一化LMS算法（NLMS）存在不能同时兼顾收敛速度与稳态误差的问题,本文提出一种依据迭代系数状态因子进行分段的变步长NLMS算法。该变步长NLMS算法采用迭代系数状态因子作为表征迭代系数与实际系数的逼近状态的指标。当迭代系数状态因子值大于1,则说明迭代系数有偏离真实系数的趋势,此时采用步长因子较大的变步长方案;反之,说明迭代系数有逼近真实系数的趋势,应该采样步长因子较小的变步长方案。这样的自适应选择措施使得算法具有较强的收敛能力。理论分析和实验表明:在同样实验条件下,本文算法能够获得比其他文献更快的收敛速度和更小的稳态误差。      

一种新的变步长自适应噪声消除算法

本文针对电力线噪声的特点,提出了一种新的变步长自适应噪声消除算法.在自适应算法的步长与梯度之间建立了新的关系,弥补了基于误差的变步长算法在自适应噪声消除方面的不足,克服了标准LMS算法的收敛性对输入信号的敏感性,并能根据梯度调整步长大小从而实现算法的快速收敛.通过理论分析设计了新的变步长自适应噪声消除算法,并进行了仿真和实测数据验证,证明了算法相对于其他算法的优势.