一种非线性变步长LMS自适应滤波算法

基于定步长LMS自适应滤波算法存在稳态误差和收敛速度无法合理协调的缺点,通过在误差信号与步长之间建立非线性关系,提出了一种新的变步长LMS算法。通过步长函数可以让步长因子在算法初始阶段具有较大值,在算法收敛阶段获得较小值,且变化平缓。理论分析和实验仿真结果表明,新算法克服了在稳态自适应阶段步长调整导致系统不稳定的问题。将新算法应用于电脑风扇噪声的有源噪声控制中,取得了良好的效果。     

一种新的步长等变化自适应算法

定义了描述信号分离状态的一种测度,并在认真分析相关固定步长和变步长EASI算法的基础上。提出了一种新的步长自适应等变化自适应（EASI）算法。该算法步长是基于分离状态的。其学习速率由信号的分离程度自适应地选取。因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于传统的EASI算法．     

自适应变步长正交约束盲源分离算法

将盲源分离算法通常应用到的白化预处理方法转化为权值正交约束条件下的分离算法,使得分离算法由无约束算法转变为有约束算法,消除了在估计白化矩阵时引入的误差和分离输出存在的尺度不确定性。因为算法的收敛速度和稳态误差是一对矛盾,所以结合变步长思想,提出了一种新的自适应变步长的权值正交约束盲源分离算法。该算法步长是基于分离状态的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。仿真实验表明,该算法比非约束算法,固定步长的权值正交约束的盲源分离算法具有更好的分离性能。     

基于自然梯度的语音盲分离算法

对于自适应自然梯度算法,选择步长参数以达到好的分离性能是非常必要的。提出了一种步长自适应自然梯度算法。由于该算法中的步长基于分离状态,其学习速率由信号的分离程度自适应选取,因而能很好地解决收敛速度与稳态误差之间的矛盾。计算机模拟试验结果显示,该算法优于传统的自然梯度算法。     

基于分离度的步长自适应自然梯度算法

首先定义了描述信号分离状态的分离度,并利用分离度作为参数来控制自然梯度算法中的步长因子,从而首次提出了一种基于分离状态的步长自适应自然梯度盲源分离算法。由于该算法步长是基于分离度的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于其它固定步长或变步长的自然梯度算法。     

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.     

基于等变化自适应源分离算法的滚动轴承故障信号自适应盲提取

针对复杂工况下滚动轴承故障信号盲提取问题,该文提出一种独立分量分析(ICA)中非线性函数自适应选择方法,解决了等变化自适应源分离算法(EASI)在多类振动源共存的情况下无法分离轴承故障信号的问题。此外,为了解决在线盲分离算法稳态误差与收敛速率的平衡问题,提出基于模糊逻辑的自适应迭代步长选择方法,极大地提高了学习算法的收敛速度,且稳态误差更小。轴承故障数据的盲提取仿真结果验证了算法的性能。     

基于改进LMS算法的自适应旁瓣对消研究

自适应旁瓣对消是雷达抗干扰的有效方法。为了提高雷达旁瓣对消中算法的收敛速度和稳态性能,针对目前定步长LMS算法存在的问题,本文对该算法进行了分析以及步长改进,提出一种基于双曲余弦函数的自适应变步长LMS算法,并对不同的影响因子进行了仿真分析。通过对加噪的信号进行自适应旁瓣对消仿真分析,仿真结果表明改进的自适应变步长LMS算法对消器可以有效地抑制旁瓣干扰信号,提高对消器的收敛速度和稳态性能,提高输出信噪比。     

一种新的变步长恒模盲均衡算法

针对固定步长恒模盲均衡算法在收敛速度和稳态剩余误差之间存在的问题,在应用变步长的思想基础上,利用均方误差的变换作为控制步长的因子,提出了一种新的自适应时变步长恒模盲均衡算法(VASCMA).对新算法进行了理论分析和计算机仿真,仿真时采用两种不同的调制信号通过三种不同信道,得到两种算法的均方误差的收敛曲线和收敛后均衡器输出的星座图,仿真结果均表明,改进算法具有较快的收敛速度和较小的剩余误差.     

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。     

自适应步长加权正交约束自然梯度ICA算法

针对传统自然梯度ICA算法的不稳定和分离结果不准确,提出一种自适应步长加权正交约束自然梯度ICA算法。首先,基于分离矩阵所满足的正交性约束,引入一种单步正交性修正方法。然后,根据相邻迭代结果之差可用于平滑构造每步迭代结果与最优值的距离,设计出一种单步误差估计函数。最后,据此误差估计函数引入一种自适应调整的步长。仿真实验表明,自适应步长加权正交约束自然梯度ICA算法,相比于传统的自然梯度ICA算法具有更快的收敛速度,且算法的稳定性和分离结果的准确性都得到了较大提高。     

基于分块自适应的在线Infomax及其扩展算法

自适应在线Infomax及其扩展算法适用于非平稳环境下的信号分离,具有广泛应用。本文结合批处理分离算法和自适应在线分离算法的优点,提出了分块自适应在线分离算法。并详细推导了基于在线Infomax及其扩展算法的分块自适应更新公式。在此基础上,还推导了一种基于峭度方差调整步长的分块在线变步长公式。仿真结果表明,新算法具有在线算法适用于非平稳环境的优点,在与传统自适应在线算法分离效果相当的条件下,运算量大大降低,数据处理时间大大减少。      

一种改进的变步长LMS自适应算法

为了提高LMS自适应算法的性能,在对一些变步长LMS算法分析的基础上,提出了步长因子μ(n)与误差信号e(n)之间一种新的非线性函数关系,该算法比固定步长LMS算法收敛速度快,稳定性好,另外与文[5]中算法相比,不需要进行指数运算.将该算法应用于自适应噪声抵消系统的仿真中,计算机仿真结果与实际分析相一致.     

Adaptive Step-Size Natural Gradient ICA Algorithm with Weighted Orthogonalization

To improve the stability of the traditional natural gradient independent component analysis (ICA) algorithm and the accuracy of its separated results, a adaptive step-size natural gradient ICA algorithm with weighted orthogonalization is proposed. First, to take advantage of the pre-whitening pre-processing and keep the equivariance property of the ICA algorithm, based on the weighted orthogonal constraint on the separating matrix without pre-whitening of observed signals, weighted orthogonalization is introduced after the traditional gradient update. Then, according to the error estimation from the smoothed distance between separated outputs and optimal outputs, we obtain two adaptive step sizes based, respectively, on an unconstrained natural gradient ICA process and a weighted orthogonalization process. Simulation experiment results show that the speed of convergence of the adaptive step-size natural gradient ICA algorithms with weighted orthogonalization are faster than the traditional one; also, the stability of the algorithms and the accuracy of the separated results are improved observably.     

结合辅助分离系统的变步长盲源分离算法

 针对盲源分离算法中步长因子的自适应选取问题,本文基于分离性能指标与步长因子的对应关系,提出了一种新的变步长盲源分离算法.该算法通过结合一个受限的辅助分离系统,重新构造系统分离性能指标,并根据该指标参数呈指数趋势下降的变化规律来获取步长因子的自适应更新.平稳和非平稳环境下的仿真实验表明:相对于固定步长和新近的自适应变步长算法,本文提出的算法拥有更快的收敛速度和更小的稳态误差.     

基于步长自适应的独立向量分析卷积盲分离算法

独立向量分析(IVA)是解决频域卷积盲分离排序模糊性最好的方法之一,但存在迭代次数较多、运算时间较长、分离效果易受分离矩阵初值影响的局限性。该文提出一种基于步长自适应的IVA卷积盲分离算法,该算法使用特征矩阵联合近似对角化(JADE)算法对分离矩阵进行初始化,并对步长参数进行了自适应优化。JADE初始化能够使分离矩阵具有合理的初值,避免局部收敛的情况;步长的自适应优化能够显著提升算法的收敛速度。仿真结果表明,该算法进一步提升了分离性能,并显著缩短了运算时间。     

Speed up ICA algorithm without loss of quality using DR-LCO algorithm

We introduce a new algorithm to speed up the ICA algorithm for blind source separation. In this technique, oscillations of the learning curve are first detected and then removed. This leads to making use of a larger step-size parameter and thus a faster ICA. Simulations results show that in average the proposed DR-LCO algorithm is at least three times faster than the ICA, while the quality of separated signals becomes even better.     

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。     

Variable step-size EASI algorithm for sequential blind source separation

A new variable step-size equivariant adaptive source separation via independence (VS-EASI) algorithm for on-line blind separation of independent sources is proposed. The algorithm utilises a variable step-size and thereby matches its performance to the dynamics of the input signals together with changes in the underlying mixing matrix. The algorithm is therefore particularly well suited to blind source separation in a non-stationary environment. Monte Carlo simulation studies support the expected improvement in convergence speed of the approach.