一种基于改进LMS算法的MIMO-OFDM信道估计方法

最小均方(LMS)算法是一种典型的自适应滤波算法,基于该算法的信道估计算法具有不需要已知信道和噪声统计信息的特点,但是其收敛速度较慢。为此,提出一种基于改进LMS算法的MIMO-OFDM信道估计方法,该方法人为地引入一个时延,即将LMS算法固定自适应步长由随着输入信号功率自适应变化的收敛因子替代,大大降低了收敛时间,具有较好的信道估计性能。     

基于LMS算法的自适应均衡器的MATLAB实现

介绍了基于最小均方算法(LMS算法)的自适应均衡器的原理和结构，针对用硬件实现LMS算法的自适应均衡器存在的诸多缺点，利用MATLAB工具对各种结构形式的自适应均衡器在不同信道模型下的收敛速度和精度进行仿真，并介绍了该仿真程序。     

基于维特比算法和最小均方算法的自适应判决反馈均衡性能比较

对AWGN信道下具有串扰的通信系统进行了基于维特比算法和最小均方算法(LMS)自适应判决反馈均衡的计算机仿真.然后对它们的性能曲线进行了分析,得出基于维特比的最大似然估计法(MLSE)在对抗码间串扰时要优于基于LMS算法的自适应反馈均衡法的结论.     

LMS和RLS自适应滤波算法对比研究

介绍了自适应滤波器的基本原理,对最小均方(LMS,Least Mean Squares)和递归最小二乘(RLS,Recursive Least Squares)自适应算法进行仿真分析及对比研究.仿真结果及实例均表明,两种算法都能有效抑制和抵消各种干扰,但相比之下,RLS算法具有更好的收敛性能及稳定性.     

一种会议电话回波抵消自适应算法

最小均方自适应算法是符合国际电信联盟(ITU)标准G.168的回波抵消自适应算法.然而,单纯符合该标准并不能保证完全满足消费者所期望的典型的话音质量,并且不适用于电话会议的回波抵消系统.为克服这个缺点,本文提出了一种适用于电话会议的回波抵消算法:归一化最小均方(NLMS)自适应算法.这种算法的收敛条件与输入信号特征无关,同时,当输入信号为语音时,NLMS自适应算法的收敛速率更快,稳定性好.仿真实验表明:NLMS算法优于LMS算法.     

基于归一化最小均方算法的自适应核RBFNN

为了使自适应核径向基函数神经网络(RBFNN)有更好的收敛速度和稳态误差,提出了以归一化最小均方为学习算法对自适应核RBFNN进行优化的方法。在梯度下降算法的基础上,通过一个可变的步长因子,对归一化最小均方(NLMS)算法进行推导,并将其作为学习算法对自适应核RBFNN的权系数及偏差进行更新训练。在非线性系统辨识及模式分类中的仿真实验结果表明,使用NLMS学习算法训练自适应核RBFNN相较于其他学习算法下的自适应核RBFNN,具有更快的收敛速度及相对较小的稳态误差。     

RLS算法智能天线空时联合均衡技术

建立了一种空时信号传输模型,分析对比了递归最小二乘(RLS)和最小均方误差(LMS)两种算法后,提出了一种基于RLS算法,由智能天线和时域均衡器组成的采用后馈滤波器的空时联合均衡器,仿真结果表明,在多径衰落信道下该方法能有效改善系统抗干扰能力,算法简单且易于实现。     

基于新拟牛顿法的自适应均衡技术

为了解决现代通信信道的码间干扰问题,提出了一种基于新拟牛顿法的自适应均衡算法,该算法用对称正定Hesse矩阵代替传统LMS/Newton法自相关矩阵的逆估计,克服了传统自相关矩阵估计误差对算法收敛性能的影响.信道均衡仿真结果表明,该算法具有较快的收敛速度和较低的误码率.     

Massive MIMO网络中低复杂度的MMSE检测方法

设计出大规模多入多出(massive MIMO)网络中一种有效、低复杂度的最小均方误差(MMSE)接收机结构。该接收机基于最陡下降和最小均方算法,能够避免大规模矩阵求逆运算。数学推导结果证明,这2种算法应用于MMSE检测时是收敛的。此外,分析了影响收敛速度的因素。仿真结果表明,应用于Massive MIMO网络中时该接收机收敛速度较快,切实可行。     

基于EXP_NLMS算法的MIMO自适应均衡器设计方法

MIMO自适应均衡器的作用是通过校正和补偿时变信道来减少码间干扰,因此通过智能算法来优化其控制参数的方法十分必要.本文对基于指数函数的变步长LMS(EXP_NLMS)算法进行了研究,并将其应用到MIMO自适应均衡器设计中,用于控制参数的智能自适应更新.通过基于归一化最小均方(NLMS)算法和EXP_NLMS算法的MIMO自适应均衡器性能进行仿真和对比分析,得出结论,针对MIMO自适应均衡器的设计,EXP_NLMS算法相比NLMS算法收敛速率更快,收敛后更加稳定,效果更好.     

短波突发通信中自适应均衡算法研究

针对短波突发通信的特点,对几种常用的自适应均衡算法进行了研究,并运用MATLAB工具对算法的性能进行了仿真比较。结果表明:LMS算法计算简单,收敛速度较慢;RLS算法计算量很大,收敛速度快,但对累积舍入误差敏感;平方根Kalman算法计算量较大,收敛速度快,对累积舍入误差不敏感。     

一种基于递归逆的快速盲均衡算法

在现代数字通信中,盲均衡算法是克服多径衰落引起的码间干扰(Inter symbol Interfer-ence,ISI)的有效方法。文章利用递归逆(Recursive Inverse,RI)自适应滤波算法收敛速度快、稳态均方误差小的优点,提出一种新的双模式盲均衡算法。该算法通过一种新的双模式机制,将RI自适应滤波算法应用于盲均衡,可以在获得小的MSE(Mean Square Error,MSE)的同时实现快速收敛。仿真结果表明,相比盲RLS(Recursive Least Square)算法和传统双模式算法,该算法在获得良好稳态MSE性能的同时提高了收敛速度,可以有效地对多径环境中突发信号进行盲均衡。     

Fast nonlinear Shrinkage LMS Newton equalization algorithm over the satellite nonlinear channel

The adaptive Volterra equalizer is an effective technique for compensating the nonlinearity over satellite channels. However, its adaptive algorithm has a slow convergence speed. To counteract this problem, a new shrinkage least mean square Newton algorithm is devised for the adaptive Volterra equalizer over the satellite nonlinear channel. A noise-free posteriori and priori error signal is obtained by using a known Shrinkage method and L1-L2 minimization formulation. Furthermore, by minimizing the energy of the noise-free posteriori error signal, the SHLMS Newton method is able to provide a variable step size to update the weight vector for the adaptive Volterra equalizer, significantly enhancing the convergence speed. Simulation results indicate that the SHLMS Newton adaptive Volterra equalizer can effectively correct signal amplitude and phase distortions and satellite nonlinear channel distortion.Additionally, the SHLMS Newton algorithm can obtain a faster convergence speed than the traditional algorithms.     

近似RLS算法及其应用

本文提出了一种新的自适应均衡算法——近似RLS算法,并把该算法应用于短波信道、判决反馈均衡器。分析和计算机模拟表明:近似RLS算法在收敛性能上近似于RLS算法,在计算效率和稳定性方面性能优于RLS算法。总之,该算法是一种简单而实用的自适应均衡算法。     

改进的凸组合最小均方算法

凸组合最小均方（CLMS）算法能够克服传统最小均方算法收敛速率、跟踪性能和稳态误差之间的矛盾. 但传统CLMS算法使用最速下降法推导参数导致其搜索路径呈“之”字形而使收敛速率变慢,为了解决这个问题,采用共轭梯度法实现参数的更新,同时使用双曲正切函数拟合Sigmoid函数来降低算法的运算复杂度. 为进一步提高算法性能,在所设计的基础上附加瞬时转移结构实现优化. 仿真结果证明,改进算法与传统CLMS、变步长CLMS相比,在噪声、相关信号输入以及非平稳环境下能够保持较好的均方性能和跟踪性能.     

卡尔曼滤波自适应天线加权矢量收敛性分析

提出了将卡尔曼滤波器应用于自适应天线，分析了卡尔曼滤波算法初值与天线阵加权矢量收敛性的关系，推导出加权矢量收敛条件．实验考察了收敛条件的有效性，并与最小均方算法进行了比较．