一种改进的时变SIMO信道常模盲均衡算法

为了提高时变(Time-varying, TV)信道的盲均衡性能,利用信源符号的常模(Ｃonstant modulus, CM)特性,针对单位圆附近含有公共零点的非理想信道,首先证明时变多天线联合接收(Single input multiple output, SIMO)盲均衡器与信道矩阵的联合冲激响应包含多个非零抽头,进而提出一种改进的基频率估计方法,克服了传统时变信道盲均衡器对于理想信道的局限性,并通过引入递归最小二乘常模算法以提高均衡器的收敛性能。仿真实验结果表明,改进方法提高了盲均衡器的收敛速度,拓宽了时变SIMO信道盲均衡结构的适用范围,能够更好地实现时变信道的盲均衡。     

双递推最小二乘二阶统计盲信道识别和均衡算法

对于单输入一多输出(SIMO)FIR信道,文中提出一种基于二阶统计的自适应盲识别和均衡算法.首先,基于输入数据矩阵的QR分解把盲信道识别问题转换为低秩矩阵近似解.然后,应用双递推最小二乘(Bi-LS)子空间跟踪方法来推导快速递归盲信道识别算法.新算法仅需要O(md~2)计算复杂度或者O(md)如果仅是均衡,其中m为接收数据矢量的维数(或信道矩阵的行秩),而d是信号子空间维数(或信道矩阵的列秩).为了克服后向迭代的缺陷,也提出一种逆QR子空间跟踪和信道均衡递推算法.逆QR递推算法十分适合于脉动阵并行实现.模拟结果证明了所提出的算法对于信道识别和均衡的有效性.     

适用于含公共零点SIMO信道的盲均衡算法

在含公共零点单输入多输出(SIMO)模型的基础上,提出一种针对含公共零点的SIMO信道的直接无限冲击响应(IIR)盲均衡算法。该算法利用IIR预测均衡算法对输入信号进行初始均衡和对均衡结果进行相偏纠正,通过最小均方误差准则提高算法在高斯白噪声环境中的适应性,克服IIR预测算法中的相位偏转问题与IIR预测算法对信噪比敏感的缺点。仿真实验结果表明,该算法对IIR信道及含公共零点信道都具有较好的均衡效果。     

一种基于ＳＩＭＯ系统的递推盲辨识算法

传统的盲辨识算潮基于通道输入的统计模型和通道输出,然而在对输入的统计特性进行准确估计时需要大量的数据,为了避免这种缺点,本文提出了一种单输入多输（SIMO)线性时不变有限单位冲击响应（ＦＩＲ）系统的盲辨识最小二乘算法,利用递推最小二乘算法求解这类算法中的ＸＬＴＫ方程,大大降低了算法对计算存储量的要求,在盲辨识的基础上,利用多项式互质的一个判别定理,通过解卷积求出ＳＩＭＯ－ＦＩＲ系统输入,最后通过实验验证了算法的有效性。     

基于RLS自适应滤波算法的MIMO-OFDM信道估计

对于传统递归最小二乘算法信道估计性能的抗噪声问题,提出一种基于自适应滤波的RLS估计算法。该算法通过在时域内加入自适应滤波器,对信道中的估计结果进行自适应滤波。经过仿真分析,将自适应滤波的RLS算法与传统的RLS算法在误码率(BER)的性能进行比较,得出基于自适应滤波的RLS算法是一种高精度抗噪声的信道估计算法。将系统的输入含有噪声的信号进行自适应滤波,得到输出信号波形,与输入信号波形进行对比,来验证自适应滤波对噪声抑制作用。     

基于CMOE准则的盲自适应RLS检测器

针对直接递归最小二乘（RLS）算法存在的检测数值不稳定和收敛速度较慢等问题,将约束最小输出能量（CMOE）准则与直接RLS算法结合,提出一种基于CMOE准则的盲自适应RLS多用户检测算法。将该算法与直接RLS算法进行动、静态环境下输出信干比（SIR）、剩余输出能量（EOE）和误码率（BER）等方面的仿真,对比得出该算法具有更好的动态跟踪能力,更快的收敛速度和更高的稳定性。     

两种自适应波束形成算法研究

波束形成技术是智能天线领域的核心技术,且自适应算法的收敛性能、运算量的大小等因素直接影响着整个系统的性能。介绍了智能波束形成的基本理论,研究了基于最小均方误差算法(LMS)和递归最小二乘算法(RLS)的非盲波束形成算法,同时也提出了改进的LMS算法,最后通过仿真分析得出了收敛后的天线方向图、收敛速度及各项性能指标,并对两种算法做了性能比较。     

递归最小二乘循环神经网络

针对循环神经网络(Recurrent neural networks, RNNs)一阶优化算法学习效率不高和二阶优化算法时空开销过大,提出一种新的迷你批递归最小二乘优化算法.所提算法采用非激活线性输出误差替代传统的激活输出误差反向传播,并结合加权线性最小二乘目标函数关于隐藏层线性输出的等效梯度,逐层导出RNNs参数的迷你批递归最小二乘解.相较随机梯度下降算法,所提算法只在RNNs的隐藏层和输出层分别增加了一个协方差矩阵,其时间复杂度和空间复杂度仅为随机梯度下降算法的3倍左右.此外,本文还就所提算法的遗忘因子自适应问题和过拟合问题分别给出一种解决办法.仿真结果表明,无论是对序列数据的分类问题还是预测问题,所提算法的收敛速度要优于现有主流一阶优化算法,而且在超参数的设置上具有较好的鲁棒性.     

MIMO系统中基于代价函数和排序模式的MMSE SIC检测器

针对多输入多输出空间多路复用系统,提出了一种基于代价函数和排序模式的多个并行分支的最小均方误差连续干扰消除检测器;具体而言,设计了选择规则来选择代价函数性能最好的分支,并通过利用不同的检测排序模式使得每个分支中的SIC算法按照信号干扰噪声比由高到低来检测信号,从而实现完全检测分集;为了进一步降低算法的计算复杂度,还提出了一种采用递归最小二乘算法的有效自适应接收机来更新滤波器权值向量,从而获得基于递归最小二乘算法的MB-SIC接收机的自适应实现;此外,还对提出的检测器在比特差错概率性能方面进行了分析;仿真结果表明,相比于现有的检测算法,提出的算法不仅具有较低的计算复杂度,而且能获得更好的误码率性能。     

子空间盲辨识的改进算法

针对单输入多输出(SIMO)系统模型参数的盲辨识问题进行了研究,基于二阶统计量,提出一类改进的子空间辨识算法.依据协方差阵的秩对该矩阵进行分块,在此基础上考虑了实际系统中存在的噪声误差,利用总体最小二乘(TLS)得到一个与噪声子空间相关的量,最后对该量进行标准正交化,得到了噪声子空间.与传统子空间方法相比,改进算法不需要对协方差矩阵进行特征值分解,可以减弱噪声及不确定因素的影响,减少了运算量,仿真实验结果表明了该算法的有效性.     

Bi-iterative least squares algorithms for blind channel identification and equalization with second-order statistics

We present an adaptive algorithm for blind identification and equalization of single-input multiple-output (SIMO) FIR channels with second-order statistics. We first reformulate the blind channel identification problem into a low-rank matrix approximation solution based on the QR decomposition of the received data matrix. Then, a fast recursive algorithm is developed based on the bi-iterative least squares (Bi-LS) subspace tracking method. The new algorithm requires only a computational complexity of O(md2)...     

基于辅助模型的递推增广最小二乘辨识方法

针对有色噪声干扰的输出误差滑动平均系统, 将辅助模型与递推增广最小二乘算法相结合: 用辅助模型的输出代替辨识模型信息向量中的未知真实输出项, 用估计残差代替信息向量中的不可测噪声项, 从而提出了基于辅助模型的递推增广最小二乘辨识方法. 为了展示所提方法的特点, 文中还给出了经过模型变换的递推增广最小二乘算法. 理论分析和仿真研究表明, 提出的方法原理简单、计算量小, 可以给出高精度参数估计, 且能够用于在线辨识.     

Box-Jenkins模型偏差补偿方法与其他辨识方法的比较

对于存在相关噪声干扰的Box—Jenkins系统,本文借助于偏差补偿原理,推导了一个偏差补偿最小二乘(BCLS)辨识方法;理论分析说明BCLS方法能够给出系统模型参数的无偏估计,并将提出的方法与递推增广最小二乘算法和递推广义增广最小二乘算法进行了比较研究;用仿真试验分析了这些算法的各自特点和适用范围。     

An efficient hierarchical identification method for general dual-rate sampled-data systems

For the lifted input–output representation of general dual-rate sampled-data systems, this paper presents a decomposition based recursive least squares (D-LS) identification algorithm using the hierarchical identification principle. Compared with the recursive least squares (RLS) algorithm, the proposed D-LS algorithm does not require computing the covariance matrices with large sizes and matrix inverses in each recursion step, and thus has a higher computational efficiency than the RLS algorithm. The performance analysis of the D-LS algorithm indicates that the parameter estimates can converge to their true values. A simulation example is given to confirm the convergence results.     

基于KRLS的非均匀采样非线性系统辨识

利用提升技术可将非均匀采样非线性系统离散化为一个多输入单输出传递函数模型,从而将系统输出表示为非均匀刷新非线性输入和输出回归项的线性参数模型,进一步基于非线性输入的估计或过参数化方法进行辨识.然而,当非线性环节结构未知或不能被可测非均匀输入参数化表示时,上述辨识方法将不再适用.为了解决这个问题,利用核方法将原始非线性数据投影到高维特征空间中使其线性可分,再对投影后的数据应用递推最小二乘算法进行辨识,提出基于核递推最小二乘的非均匀采样非线性系统辨识方法.此外,针对系统含有有色噪声干扰的情况,参考递推增广最小二乘算法的思想,利用估计残差代替不可测噪声,提出核递推增广最小二乘算法.最后,通过仿真例子验证所提算法的有效性.     

Multivariable system structure and parameter identification using the correlation method

This paper describes an algorithm for the structure determination and parameter identification of linear discrete-time multivariable systems from input-output measurements. The algorithm starts by determining the structure parameters of a certain canonical state space representation from an estimate of the correlation functions of the output sequence. Then the parameters of the A matrix are estimated from the estimated correlation functions using the recursive least squares method. Finally a normalized stochastic approximation algorithm is used for the estimation of the parameters of the B matrix from input-output measurements.     

Recursive identification for multivariate autoregressive equation-error systems with autoregressive noise

This paper considers the recursive identification problems for a class of multivariate autoregressive equation-error systems with autoregressive noise. By decomposing the system into several regressive identification subsystems, a maximum likelihood recursive generalised least squares identification algorithm is proposed to identify the parameter vectors in each subsystem. In addition, a multivariate recursive generalised least squares algorithm is derived as a comparison. The numerical simulation results indicate that the maximum likelihood recursive generalised least squares algorithm can effectively estimate the parameters of the multivariate autoregressive equation-error autoregressive systems and get more accurate parameter estimates than the multivariate recursive generalised least squares algorithm.     

基于偏差补偿递推最小二乘的Hammerstein-Wiener模型辨识

许多实际系统可以表示成一种中间为线性动态环节、输入输出端为非线性静态环节的Hammerstein-Wiener模型. 针对含过程噪声的Hammerstein-Wiener模型, 提出一种改进在线两阶段辨识方法. 第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量. 通过在递推最小二乘算法中引入一个修正项, 补偿过程噪声引起的估计偏差. 第二步采用基于张量积逼近的奇异值分解法分离出原系统各参数的值. 通过引入两个矩阵的张量积逼近加权最小二乘的权系数, 提高参数分离精度. 理论分析和计算机仿真验证了本文方法的有效性.     

基于辅助模型和数据滤波的伪线性回归系统参数估计方法

针对伪线性输出误差回归系统的辨识模型新息信息向量存在不可测变量的问题,首先通过构造一个辅助模型,用辅助模型的输出代替未知中间变量,推导得到的基于辅助模型的递推最小二乘参数估计算法计算量较大,但算法的辨识效果不佳。进一步采用估计的噪声模型对系统观测数据进行滤波,使用滤波后的数据进行参数估计,从而推导提出了基于数据滤波的递推最小二乘参数估计算法。仿真结果表明,所提算法能够有效估计伪线性回归线性输出误差系统的参数。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。