基于变步长自然梯度算法的盲源分离

相比标准梯度而言,自然梯度算法以其更快的收敛速度和更好的分离性能在盲源分离中占据着重要地位。由于常用的自然梯度算法是基于固定步长的,因此无法真正解决收敛速度和稳态误差之间的矛盾。通过建立步长因子与分离矩阵相互差异之间的非线性关系,提出了一种新的自然梯度算法。由于该算法采用的步长是时变的,加快了收敛速度,减小了稳态误差,从而很好地解决了固定步长的内在矛盾。计算机仿真结果证实了理论分析,并说明了该算法明显优于通常的自然梯度算法。     

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。     

基于定步长自然梯度算法盲混合信号分离技术研究

本文利用自然梯度算法对盲混合方波、正弦波、调幅波和噪声等信号进行盲分离实验,通过仿真,验证了自然梯度盲分离算法在复杂信号分离中的准确性。比较了不同步长下,自然梯度算法的分离性能,得出步长的选择对算法收敛性及稳态误差的重要性,文章分析了算法在步长变化情况下的收敛速度,稳态性能等。     

基于非线性函数的非平稳盲源分离步长算法

传统自然梯度盲源分离算法采用固定步长,导致收敛速度和稳态误差之间存在矛盾,使算法性能受到制约,特别是对非平稳盲源的分离效果较差。为此,对传统算法进行了改进,提出了一种新的基于非线性函数的步长算法,在分离过程中使步长在每次更新中自动做出合理的调整。通过MATLAB仿真实验证明了新算法的有效性。     

一种基于切换步长的加权多模盲均衡算法

研究了常数模算法、多模算法、加权多模算法,并分析了各个算法的优缺点。针对加权多模盲均衡算法稳态误差小,但收敛速度慢的缺点,提出了一种基于切换步长的加权多模算法,最后对各算法在复信道环境下进行了仿真。结果表明,改进算法不受相位偏移的影响,而且在稳态误差基本不变的情况下,加快收敛速度。     

一种新的自适应步长盲源分离算法

自然梯度盲源分离算法通常采用固定步长,但这样做会造成算法收敛速度慢和跟踪能力差.为此,提出了一种新的自然梯度自适应步长盲源分离算法,使步长在每次迭代中根据其他参数的变化做出相应的调整.在非稳态环境下,计算机仿真试验结果表明,新算法不仅具有良好盲分离性能,而且在上述两个方面都有了较大改善.     

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。     

一种新的变步长LMS自适应算法及仿真

对变步长自适应滤波算法进行了讨论,给出了一种新的变步长LMS自适应算法,这种新方法通过估计误差信号自相关及均方误差的时域平均来调节自适应算法的步长,具有较好的抗干扰性能,且收敛速度快,稳态误差小。将其应用于干扰机的自适应收发隔离系统中,计算机仿真结果与理论分析一致,表明了该算法具有一定的可行性和优越性。     

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。     

源信号数目未知的自然梯度盲信号分离算法

总结了源信号数目未知的盲信号分离自然梯度算法,得到自然梯度算法发散的原因,分离矩阵的各行沿混合矩阵转置的零空间方向无效的冗余移动。借助投影自然梯度算法,从理论上证明,冗余分量的范数随迭代次数的增加呈指数分布。     

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.     

一种新的变步长LMS算法及其应用

提出了一种新的变步长LMS算法,该算法采用相对的误差互相关函数来控制步长更新。理论分析与计算机仿真结果都表明该算法收敛速度快、失调量小、稳定性好,且在低信噪比的环境中比其他同类算法有更好的性能。该算法的优越性在于计算量小且不受已存在的不相关噪声的影响,可很好地应用于实际信号处理中。     

一种基于匹配追踪的语音盲源分离算法

研究基于Gabor的过完备字典的匹配追踪（Matching Pursuit,MP）稀疏分解算法,首先对混合语音信号进行稀疏分解。针对传统MP算法运行时间长,占用存储范围大以及语音信号稀疏分解特性的特点,利用快速傅里叶变换（Fast Fourier Transformation,FFT）的MP稀疏分解缩小了最佳原子的搜索范围,提高运行速度。然后基于峭度的自适应盲源分离算法,通过自适应地学习算法中的激活函数最终实现语音信号的盲源分离。此算法经过仿真实验,证明分离效果比传统算法有了一定的改进,实验结果证实算法的有效性。     

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。     

改进的NLMS算法及其在自适应预测中的应用

通过分析NLMS[1]和VSSLMS[7]两种算法控制时变步长的思想及这两种算法的优缺点,文章提出了一种改进的归一化变步长算法,它同时使用输入信号积累和瞬时误差来控制步长更新.该算法的优越性在于收敛速度快,尤其在系统跳变时也能快速收敛,可很好地应用于自适应预测系统中.理论分析与计算机仿真结果都表明该算法收敛速度快、失调量小、稳定性好, 且在低信噪比的环境中比其他同类算法有更好的性能.     

LMS算法的收敛与步长选取

文章提出了ＬＭＳ算法收敛的新概念，并从梯度谱分析的观点探讨了算法的收敛过程，指出步长选取应使算法具有低通性。据此，文章从失调量的准确表达式出发，导出了计算步长的公式。计算机模拟结果表明，按本文方法计算步长可获得满意的失调量，并具有较强的抗信号波动能力。