一种改进的数字同频直放站自适应反馈干扰抑制算法

基于数字地面电视广播(Digital Terrestrial Television Broadcasting,DTTB)同频直放站的回波干扰抑制,提出了一种变步长块LMS(Variable Step- size Block Normalized Least Mean Square,VSSBNLMS)自适应算法.此算法的目的是为了提高传统回波干扰抑制的自适应算法的收敛速度和降低计算复杂度.其将输入信号分为长度相等的块,在每一个数据块内,权值向量只更新一次,有效地降低了计算复杂度.另外,该算法通过输出误差控制更新步长的变化,与传统的归一化LMS(NLMS)和块LMS(BLMS)算法相比,提高了收敛速度.仿真结果表明,该算法具有良好的收敛速度和回波干扰抑制性能.     

基于相控阵自适应零陷的大规模NGSO星座间干扰规避策略研究

针对大规模非静止轨道（Non-Geo Stationary Orbit,NGSO）通信星座系统间同频干扰的实时性和突发性问题,将自适应波束成形技术的变步长LMS(Least Mean Square,最小均方误差)算法应用于NGSO间干扰场景。分析自适应波束成形技术的适用场景,选取OneWeb星座系统与Starlink星座系统的馈线链路间下行干扰场景进行仿真。通过对现有算法进行系统收敛速度、稳健性的性能比较,当NLMS(Normalization Least Mean Square,归一化最小均方误差)算法的参数μ0=0.6时,算法具有较快的收敛速度以及较小的稳态误差,因此运算量小、易于星上硬件实现。分别利用固定步长LMS算法、ENLMS(Error Normalization Least Mean Square,误差归一化最小均方误差)算法以及μ0=0.6的NLMS算法计算最优权向量,并应用于干扰仿真场景。结果表明,μ0=0.6的NLMS算法最能有效规避NGSO通信星座系统间的同频干扰,ENLMS算法次之,固定LMS算法的干扰规避效果最差。     

基于遗传优化的天线阵元LMS改进算法

最小均方（LMS）算法是自适应阵列天线中得以广泛应用的阵列天线加权算法。提出了一种基于遗传优化的LMS改进算法,该基于遗传优化的最小均方（GA—LMS）算法充分结合了遗传算法的并行处理和全局搜索的优点。实验结果表明,与传统的LMS算法相比,GA—LMS算法具有良好的收敛性能,并可更好地抑制干扰信号,有效改善自适应阵列天...     

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。     

一种基于自适应阵列天线的波束赋形算法

自适应阵列天线中的数字波束赋形(DBF)技术是智能天线数字信号处理部分的核心.提出了一种可用于自适应阵列波束赋形的SMI-LMS算法--由SMI(采样协方差矩阵求逆)算法决定LMS(最小均方)算法的初始权向量.该算法充分结合了SMI算法收敛速度快和LMS算法稳态误差小的优点,能在较强干扰环境下,确保权向量的快速收敛和跟踪速度.与传统的LMS算法相比,SMI-LMS算法具有良好的收敛性能、较快的跟踪速度和较小的输出误差,并可以有效改善自适应方向图的副瓣性能.仿真结果验证了该结论.     

基于LMS算法的智能天线自适应波束形成研究

自适应波束形成是智能天线的核心技术,其主要思想是利用自适应算法调整阵列的权向量,将各阵元接收到的信号进行加权求和,把天线阵列形成的波束"导向"到一个方向上,使期望用户信号方向得到最大的增益,并相应地使干扰信号方向得到较低的增益,从而提高系统的性能。本文对智能天线中的自适应波束形成进行研究,运用MATLAB软件对固定步长和变步长LMS算法进行计算机仿真实验。仿真结果表明,基于LMS算法的自适应波束形成器能够形成符合要求的波束图,变步长的LMS算法均方误差收敛效果较好,收敛速度更快,具有较强的实用性。     

一种智能天线降维频域波束形成算法的研究

本文提出一种智能天线降维的频域自适应波束形成（RFD—ABF）算法,该算法先对接收信号进行FFT,然后再带通滤波,最后通过LMS算法实现了频域的自适应波束形成。此算法可以有效降低信号的维数,消除干扰信号,大大降低计算量和存储量,通过对此算法收敛速度和有效抑制干扰的仿真,验证了智能天线降维频域波束形成算法的可行性,为智能天线技术在第三代移动通信系统应用提供理论基础。     

基于改进范数约束LMS算法的数字预失真技术

数字预失真(Digital Pre-Distortion,DPD)能够提高功率放大器的线性度,并减少非线性失真对信号传输的影响。针对大容量数据高带宽和低信噪比的环境,在系统呈现一定稀疏性时,传统最小均方(Least Mean Square,LMS)无法快速收敛识别功放逆模型。因此,提出一种改进的二范数约束的最小均方(Two Norm Constraint Least Mean Square,2-LMS)算法,通过改变代价函数表达式和步长表达函数来提高算法收敛速度,并减少收敛过程中的稳态误差。此外,引入相邻时刻误差的自相关矩阵,提高了预失真系统的抗噪能力。仿真实验结果表明,基于2-LMS算法的预失真系统在抗噪性能、收敛速度及带外抑制等方面明显优于传统自适应算法,且预失真的邻信道功率比(Adjacent Channel Power Ratio,ACPR)比原基于LMS算法预失真系统优化了-10.3 dB,矢量误差幅度(Error Vector Magnitude,EVM)指标优化了7.5%。     

基于双曲正切函数框架的最小均方算法

自适应滤波器在自适应控制、噪声消除、信道均衡、系统辨识以及生物医学等领域的应用中发挥着重要作用。由于其简单性、低计算量和易于实现等特点，其中最流行的自适应滤波算法是最小均方（Least Mean Square,LMS）算法。传统的LMS算法在处理高斯信号时具有良好的收敛性能，然而，针对非高斯信号的处理，自适应LMS算法的收敛性较差，甚至无法收敛。为了改进LMS算法在非高斯噪声干扰下的收敛性，本文通过将传统的LMS算法的代价函数嵌入到双曲正切（Hyperbolic Tangent）函数框架中设计了一种新的代价函数，从而提出了一种鲁棒的双曲正切最小均方（Hyperbolic Tangent Least Mean Square,HTLMS）算法。此外，针对HTLMS算法存在收敛速度与稳态误差相矛盾的问题，本文设计了一种可变λ参数的双曲正切最小均方（Variableλ-parameter Hyperbolic Tangent Least Mean Square,VHTLMS）算法。仿真结果表明，在系统辨识应用场景中，与LMS算法、最大相关熵准则（Generalized Maximum Corr...     

基于稀疏系统辨识的改进的零吸引LMS算法

针对当前的稀疏最小均方(Least Mean Square,LMS)算法普遍存在的收敛速度和稳态均方差(Mean Square Deviation,MSD)不能同时达到一个较好状态的问题,提出了一种改进的零吸引最小均方(Improving Zero-attracting LMS,IZA-LMS)算法。在滤波器估计较大或较小的冲激响应时,IZA-LMS算法的零吸引函数分别采用重新加权的零吸引LMS(Reweighting ZA-LMS,RZA-LMS)算法的零吸引函数和改进的l0-norm惩罚函数,使算法同时满足较快的收敛速度和较低的MSD值。理论分析和仿真证明,IZA-LMS算法比目前的诸多稀疏LMS算法的收敛速度更快且稳态MSD更低。