一种改进的变步长LMS自适应滤波算法

针对自适应滤波领域的最小均方(Least Mean Square,LMS)算法无法权衡稳态误差和收敛速度这一矛盾,提出了一种改进的变步长LMS自适应滤波算法.该算法在基于对数函数的变步长LMS算法的基础上,建立了一种新的步长参数与误差的关系模型.仿真结果表明,提出算法与已有算法相比,能够达到更高的收敛精度及更快的收敛速...     

改进的提升小波变步长LMS滤波算法及其应用

通过对变步长LMS自适应滤波算法和提升小波变换理论进行研究,将两种算法换相结合,提出一种新的提升小波变步长LMS自适应滤波改进算法;根据信号特征对更新算子和预测算子自适应的构造,对正交分解的信号进行变步长LMS自适应消噪,提高了收敛速度和稳定性;通过仿真分析,证明了改进的提升小波变步长LMS滤波算法具有较快的收敛速度和更强的抑噪能力;最后,将提出的方法应用于低速重载齿轮箱的故障诊断中,分析结果表明,该方法是一种非常有效的故障特征处理方法。     

一种变步长自适应滤波算法在信号消噪中的应用

为了解决自适应LMS算法中收敛速度和稳态失调之间的矛盾,在选择自适应算法的步长时,通过在基于箕舌线的变步长LMS算法中引入自相关估计,对信噪比为SNR=16 dB的染噪信号进行处理.仿真结果表明:该算法使均方误差曲线在500个采样点附近达到稳态,均方误差MSE=2.595.时域波形显示,利用变步长自适应滤波算法能有效地滤除信号中的噪声,获得稳定的消噪效果.     

一种改进的快速自适应滤波算法

为了解决传统自适应滤波最小均方(Least Mean Square,LMS)算法中收敛速度与稳态误差之间的矛盾,提出了一种改进算法。该算法在已有变步长LMS算法基础上,引入遗忘因子来影响步长的更新。仿真表明,改进后的算法比原算法不但具有更快的收敛速度,而且具有更小且稳定的稳态误差。     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

基于多尺度小波变换的改进型自适应滤波算法

介绍自适应滤波算法、多尺度小波算法的基本原理和两种算法结合的实现过程。针对最小均方(LMS)自适应滤波算法不能同时提高收敛速度和收敛精度,提出变步长LMS自适应算法,在滤波过程中算法先用大步长跟踪,提高收敛速度,接近稳态时用小步长跟踪,提高收敛精度。为了能有更好的滤波效果,应该在算法的步长因子上有所突破。在抽样函数的基础上改进算法,并结合多尺度小波分解,使得滤波的效果更加理想。通过Matlab仿真实验,验证了改进算法具有更好的稳定性和优越性。     

基于ip-iq理论的改进型谐波检测方法

针对传统的i_p-i_q谐波检测方法使用低通滤波器难以实现检测精度与速度平衡的问题,提出了一种使用LMS自适应滤波器与电流平均值法的串联使用代替低通滤波器的方法。为了解决传统定步长LMS算法无法兼顾收敛速度与稳态误差的矛盾,设计了一种改进的基于双曲正弦函数的变步长LMS算法。算法通过使用误差信号的时间均值估计p(n)与参数‖T‖²控制步长因子,减小稳态误差,并引入α(n)对双曲正弦函数的取值进行限制,加快收敛速度;最后通过串联电流平均值模块进一步提高检测精度与速度。使用Matlab软件进行仿真试验,试验结果表明：改进方法在检测精度与速度方面较传统的i_p-i_q谐波检测方法有较大提升,验证了方法的有效性、可行性。     

基于LMS算法自适应滤波器的设计

对语音信号及噪声信号的特点进行了分析研究,提出了基于LMS算法自适应滤波噪声抵消模型,能够根据背景噪声的能量分布特征,将被污染的语音信号降噪提出,并且不发生信息丢失现象。采用M atlab软件完成数字滤波去噪声的功能。实验数据表明,该算法简单,可靠性高,能在受坦克、卡车噪声污染且较低的信噪比情况下,对语音信号起到去噪增强作用。     

基于变步长LMS算法的线性自适应均衡器的设计

针对短波通信信道中信号传输受到多径效应影响的问题,设计了一种基于变步长LMS算法的线性自适应均衡器,可以有效获得信道均衡的效果,最后通过仿真测试并在DSP上编程得以实现。     

一种变步长LMS自适应噪声抵消算法研究

通过对传统最小均方误差（leastmean square,LMS）算法迭代因子μ进行分析,讨论了μ与收敛速度及稳态失调的关系,在此基础上研究了一种新的变步长LMS自适应算法,建立了步长因子μ与输入信号及迭代次数n之间的一种新的非线性关系。通过理论分析,该算法与传统LMS算法相比,其收敛速度更快、稳态误差较小,且计算量增加不大,采用Matlab仿真表明了该算法的优越性。