广义最大总体相关熵自适应滤波算法

在输入与输出信号都被噪声污染的含误差变量模型( errors-in-variables model, EIV)中,总体最小二乘算法已经得到了广泛地应用。然而在脉冲噪声干扰的情况下,其收敛性能就会恶化。因此为了处理这种被脉冲噪声污染的含误差变量模型的情况,本文将广义最大相关熵准则与总体最小二乘估计方法结合,提出了一种鲁棒的广义最大总体相关熵自适应滤波算法。通过算法仿真比较的结果得出所提出的算法在脉冲噪声环境下能够有效地抑制脉冲噪声的存在,有着较好的收敛性能和鲁棒性。      

基于新步长调整函数的正交小波变换自适应滤波方法

研究一种基于新的步长调整函数的正交小波变换最小均方自适应滤波算法,阐述了基于正交小波变换的自适应滤波原理,解释了正交小波变换能够提高算法收敛速度的原因。将一种新的步长调整函数应用于正交小波变换最小均方自适应滤波系统,通过模型识别检验了算法的收敛速度和稳态误差。使用该方法进行体震信号的自适应滤波,获得了更快的收敛速度和更好的滤波效果。     

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...     

一种抗冲击噪声的对数总体最小二乘自适应滤波算法

在未知系统输入信号和输出信号均含有噪声的环境中,传统的自适应滤波算法,如最小均方(LMS)算法,会产生有偏估计.总体最小二乘(TLS)算法能够同时最小化输入信号与输出信号的噪声干扰,是解决此类问题的重要方法.然而,在许多实际应用中,干扰噪声可能具有冲击特性,这使得传统基于2阶统计量的自适应滤波算法,包括总体最小二乘算法性能严重恶化,以至于不能正常工作.为了解决这个问题,该文在总体最小二乘法的基础上,利用对数函数对其改进,提出了一种能够抗冲击干扰的对数总体最小二乘(L-TLS)算法.最后,通过计算机仿真实验验证了该新算法的有效性.     

非线性Volterra系统的总体全解耦自适应滤波

研究输入、输出观测数据均受噪声干扰时的非线性Volterra系统的全解耦自适应滤波问题.基于总体最小二乘技术和Volterra滤波器的伪线性组合结构,运用约束优化问题的分析方法研究Volterra滤波过程,从而建立了一种总体全解耦自适应滤波算法.并建立了分析该算法收敛性能的参数反馈调整模型,分析表明,该算法可使各阶Volterra核稳定地收敛到真值.仿真实验的结果表明,当输入、输出观测数据均受噪声干扰时,总体全解耦自适应滤波算法的鲁棒抗噪性能和滤波精度均优于全解耦LMS自适应滤波算法.     

基于改进算法的语音增强在激光侦测系统中的应用

为了消除噪声所引起的语音信号的衰落,以自适应滤波器为基础,并综合泄漏最小均方（LMS）算法和变步长LMS算法的优点,提出了适用于激光侦测系统的可变泄漏最小均方（VL-LMS）自适应滤波新算法,对其原理进行了剖析。用实测的带噪语音信号进行了动态仿真,结果表明,该算法能有效地克服基于LMS算法的自适应谱线增强器的不足,具有良好的抑制高斯噪声能力和跟踪性能。     

一种基于自适应滤波的语音降噪方法研究

分析和研究自适应滤波和小波变换法的原理及方法,提出了一种新的综合使用自适应滤波和小波变换法的语音降噪方法。该方法首先用仿生小波变换法对带噪声的语音信号进行小波分解,将小渡变换法分离出来的噪声信号作为自适应滤波器的输入。最后选择用最小均方误差（LMS）的自适应算法对带噪声语音信号进行降噪处理,实现了信噪分离,去除语音信号中的噪声信号。实验结果表明,该方法对语音信号有较为明显的降噪效果。     

基于PSO和改进神经网络的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法（PSO）的图像滤波方法。该方法利用对数最小均方误差函数（LNLS）代替BP神经网络传统的最小均方误差函数（LMS）,用来减小图像噪声对神经网络精度的影响;并将改进后的BP神经网络利用PSO算法优化,从而避免神经网络陷入局部极小值点,进一步提高神经网络滤波能力。实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节。     

一种抗冲击噪声的对数总体最小二乘自适应滤波算法

在未知系统输入信号和输出信号均含有噪声的环境中,传统的自适应滤波算法,如最小均方(LMS)算法,会产生有偏估计.总体最小二乘(TLS)算法能够同时最小化输入信号与输出信号的噪声干扰,是解决此类问题的重要方法.然而,在许多实际应用中,干扰噪声可能具有冲击特性,这使得传统基于2阶统计量的自适应滤波算法,包括总体最小二乘算法...     

最小均方自适应滤波器集平均理论及实验仿真

在自适应滤波器应用中的一个重要问题是确定可调节滤波器参数最优的标准,以及利用这种标准形成实际上可行的算法。最小均方算法是现今应用最为广泛的一种线性自适应滤波算法。在变步长最小均方算法中,变步长算法的选取十分关键,它对自适应滤波器的滤波效果有重大的影响。基于最小步长理论的最小均方自适应滤波器理论,简化均方误差的计算过程,设计合适的参数使实际值与理论性逼近,验证最小步长理论的实用性,仿真结果表明实验值与理论值十分吻合,具有较强的实用性。     

一种全最小二乘算法及其在非线性滤波器中的应用

针对输入输出观测数据均含有噪声的滤波问题,提出了一种稳定的总体最小二乘自适应算法。该算法以系统的增广权向量的瑞利商(RQ)与对增广权向量的最后元素的约束的和作为总损失函数,利用梯度最陡下降原理导出权向量的自适应迭代算法,并将该算法应用于非线性Volterra滤波器。研究了算法的稳定性能,提出的算法不仅有良好的收敛性能,而且在权向量的自适应迭代时不需要标准化处理,使得算法的实施更为简单。仿真实验表明,无论在线性系统或非线性系统,本文算法的收敛性能,鲁棒抗噪性能和稳态收敛精度明显高于其它同类总体最小二乘算法。     

Sparse LMS/F algorithms with application to adaptive system identification

Standard least mean square/fourth (LMS/F) is a classical adaptive algorithm that combined the advantages of both least mean square (LMS) and least mean fourth (LMF). The advantage of LMS is fast convergence speed while its shortcoming is suboptimal solution in low signal‐to‐noise ratio (SNR) environment. On the contrary, the advantage of LMF algorithm is robust in low SNR while its drawback is slow convergence speed in high SNR case. Many finite impulse response systems are modeled as sparse rather than traditionally dense. To take advantage of system sparsity, different sparse LMS algorithms with l_p‐LMS and l₀‐LMS have been proposed to improve adaptive identification performance. However, sparse LMS algorithms have the same drawback as standard LMS. Different from LMS filter, standard LMS/F filter can achieve better performance. Hence, the aim of this paper is to introduce sparse penalties to the LMS/F algorithm so that it can further improve identification performance. We propose two sparse LMS/F algorithms using two sparse constraints to improve adaptive identification performance. Two experiments are performed to show the effectiveness of the proposed algorithms by computer simulation. In the first experiment, the number of nonzero coefficients is changing, and the proposed algorithms can achieve better mean square deviation performance than sparse LMS algorithms. In the second experiment, the number of nonzero coefficient is fixed, and mean square deviation performance of sparse LMS/F algorithms is still better than that of sparse LMS algorithms. Copyright © 2013 John Wiley & Sons, Ltd.     

一种基于误差相关函数的改进变步长LMS算法

最小均方算法的收敛速度和稳态误差之间存在矛盾,为此人们提出了各种变步长LMS算法,其中E-LMS算法是将步长与瞬时误差平方相关联,R-LMS算法是将步长与误差的相关函数相关联。E-LMS算法的抗噪性能较差,在低信噪比条件下性能明显变差,R-LMS算法对突变系统的跟踪能力较差。为此文中给出了一种改进的,基于误差相关函数的VSS-LMS算法,该方法利用E-LMS算法的控制步长策略提高算法的跟踪能力。计算机仿真结果显示,该算法能够同时满足抗噪和跟踪两种要求。     

The Data-Reusing MCC-Based Algorithm and Its Performance Analysis

Maximum correntropy criterion (MCC) provides a robust optimality criterion for non-Gaussian sig-nal processing. In this paper, the weight update equation of the conventional MCC-based adaptive filtering algorithm is modified by reusing the past K input vectors, forming a class of data-reusing MCC-based algorithm, called DR-MCC algorithm. Comparing with the conventional MCC-based algorithm, the DR-MCC algorithm provides a much better convergence performance when the input data is correlated. The mean-square stability bound of the DR-MCC algorithm has been studied theoretically. For both Gaussian noise case and non-Gaussian noise case, the ex-pressions for the steady-state Excess mean square error (EMSE) of DR-MCC algorithm have been derived. The re-lationship between the data-reusing order and the steady-state EMSEs is also analyzed. Simulation results are in agreement with the theoretical analysis.     

A recursive least M-estimate algorithm for robust adaptive filtering in impulsive noise: fast algorithm and convergence performance analysis

This paper studies the problem of robust adaptive filtering in impulsive noise environment using a recursive least M-estimate algorithm (RLM). The RLM algorithm minimizes a robust M-estimator-based cost function instead of the conventional mean square error function (MSE). Previous work has showed that the RLM algorithm offers improved robustness to impulses over conventional recursive least squares (RLS) algorithm. In this paper, the mean and mean square convergence behaviors of the RLM algorithm under the contaminated Gaussian impulsive noise model is analyzed. A lattice structure-based fast RLM algorithm, called the Huber Prior Error Feedback-Least Squares Lattice (H-PEF-LSL) algorithm is derived. Part of the H-PEF-LSL algorithm was presented in ICASSP 2001. It has an order O(N) arithmetic complexity, where N is the length of the adaptive filter, and can be viewed as a fast implementation of the RLM algorithm based on the modified Huber M-estimate function and the conventional PEF-LSL adaptive filtering algorithm. Simulation results show that the transversal RLM and the H-PEF-LSL algorithms have better performance than the conventional RLS and other RLS-like robust adaptive algorithms tested when the desired and input signals are corrupted by impulsive noise. Furthermore, the theoretical and simulation results on the convergence behaviors agree very well with each other.     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

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   

基于凸组合的同步长最大均方权值偏差自适应滤波算法

针对NLMS和PNLMS滤波器对时变信道跟踪能力差的缺点,提出了一种同步长凸组合最大均方权值偏差(MSD,mean square deviation)算法。该算法将同步长的NLMS和PNLMS 2种不同类型的自适应滤波器进行凸组合,以最大均方权值偏差为准则,使新的滤波器能够在外界信道特性(稀疏、非稀疏和模糊态)时变的情况下,保持良好的随动性能,并在收敛的各个阶段均保持快速且稳定的均方特性。理论推导和仿真实验表明:该算法与NLMS、PNLMS和IPNLMS算法相比,在稀疏和非稀疏状态时能够保持四者中最快的收敛速度,并且在模糊状态时算法性能优于其余三者。另外,该算法仍保持较好的稳态均方性能。     

Adaline神经网络随机逼近LMS算法的仿真研究

基于最小二乘（LMS）统计算法的自适应线性元件（Adaline）神经网络是非线性分类的重要工具之一。从计算机仿真的角度研究随机逼近LMS学习方法的特点，从步长设置、收敛性、收敛速度、算法抗噪性、判断的准确率等多个参量评估随机逼近法的性能。仿真结果表明，对于不同的初始步长设置，神经元完成学习任务的训练时间不同；在保证学习收敛性的前提下，步长越大，收敛速度越快，但收敛的稳定性变差。权矢量的初始值设置对学习的收敛性没有影响。