一种改进的线性受限恒模算法研究

近年来对线性约束常模(LCCM)算法的研究一般是基于定长步长的研究。文中提出了一种改进的基于时变步长的LCCM算法,并仿真分析论证了所提出的变步长LCCM算法具有良好的收敛特性。     

线性约束差分恒模算法

线性约束恒模算法(LCCM)能解决恒模算法(CMA)中存在的干扰捕获问题,但该算法需要将目标模值σ作为一个参数包含在代价函数中进行优化,因而收敛速度较慢.为克服这一缺点,本文提出了一种线性约束差分恒模算法(LCDCM),它可有效避免对最优σ值的搜索.在单干扰源的情况下,该算法的收敛速度和干扰抑制度均优于σ初始值设置不合适的LCCM算法;存在多个干扰源时,即使对LCCM算法的σ初始值进行最优设置,其对独立干扰源的收敛性能也不如LCDCM算法.     

一种新的盲多用户检测算法

恒模算法(CMA)是盲多用户检测中利用高阶统计量作为代价函数的自适应算法,但其步长恒定,不能随通信信道实际情况变化.在CMA和线性约束恒模算法(LCCMA)的基础上,将自适应步长引入到CMA中,得到自适应步长恒模算法(ASCMA),该算法能够根据通信信道情况自适应调节滤波器的步长,从而改善CMA算法的性能.通过MATLAB仿真表明,在白噪声通信信道环境中,ASCMA与LCCM相比,其输出信干比(SIR)、收敛速度等性能都有了较大的提高.     

基于小波变换变步长LMS自适应信道均衡的新方法

结合变换域最小均方(LMS)和变步长LMS算法的优势,提出了一种基于小波变换的变步长LMS自适应均衡方法。该方法中步长调整函数采用了改进的Sigmoid函数,该函数具有简单且误差信号接近零时变化缓慢的特点。并且,在训练模式、判决引导模式以及混合模式下,将提出方法和传统均衡方法进行了仿真比较。结果表明,所提出的方法比传统的线性LMS算法、变步长LMS以及小波变换LMS收敛更快、性能更优。     

改进的线性受限共轭梯度常模算法

提出了一种改进的线性受限共轭梯度常模算法,称之为M—LCCGCMA。其核心是采用最优自适应步长的方法对已有算法进行优化,并推导出步长的解析形式,确保了算法收敛于期望用户,提高了系统性能。通过对算法代价函数的理论分析,得出了算法收敛的条件。将算法在加性白高斯和多径衰落信道的环境中进行了仿真,结果表明,该算法的信干比性能和误码率性能均比现有的自适应步长常模算法要好。     

一种改进的线性受限共轭梯度常模盲多用户检测算法

提出了一种改进的线性受限共轭梯度常模算法(M-LCCGCMA),其核心是采用在最优自适应步长的方法对算法进行优化,并推导出步长的解析形式.将本文算法在加性白高斯和多径衰落信道的环境中进行了仿真.仿真结果表明,该算法的信干比性能和误码率性能均比现有的自适应步长常模算法要好.     

改进的独立分量分析在语音分离中的应用

对于自适应盲分离算法,选择步长参数以达到理想的分离性能是必要的。结合基于估计函数的可变步长自适应优化方法,提出了基于负熵的自适应算法,有效提高了算法的收敛速度,降低了算法性能对步长的依赖性。仿真实验证明了此改进算法具有较好的分离效果。     

一种基于模糊推理的变步长自适应滤波算法

论文对现有的变步长自适应滤波算法进行了分析,并定性地给出了变步长自适应滤波算法中步长变化应满足的4条准则。根据这些准则,文章提出了一种新的基于模糊推理的变步长自适应滤波算法。理论分析和实验仿真结果都表明,新算法能够符合文中提出的变步长准则,很好地满足了收敛速度和收敛精度的要求。此外,还给出了该算法应用于回声消除中的结果。     

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。     

VoIP回声消除器设计及算法研究

本文提出了一种与线性预测编解码器相结合的新声学回声消除器,由去相关可变步长的NLMS自适应算法和基于回声路径失配方差的双端通话检测算法所组成.Matlab仿真结果表明,与Gordy所提出的回声消除算法相比,本文提出的算法在双端通话和回声路径改变时判别更准确,收敛速度更快;在收敛状态时,ERLE值平均提高了15dB,失调误差平均降低了10dB,具备更好的回声消除性能.     

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。     

改进的变步长维纳系统盲源分离方法

基于非线性盲源分离的维纳系统算法中,采用固定步长导致算法的收敛速度和稳态误差之间存在矛盾,直接影响分离算法的性能。为了解决该问题,提出了基于非线性函数的变步长维纳系统盲源分离方法。该方法将更新的步长以非线性函数的形式引入到分离算法中,使得稳态时参数更新的步长尽可能小,以避免发生振荡。变步长算法在分离过程中的每次更新都会使步长自动进行合理的调整,使得收敛速度提高了53%,误差减小了45%。实验仿真表明,相对原算法,提出的维纳系统盲源分离方法可以更好地分离出信源信号,而且具有较小的误差和较快的收敛速度。     

一种基于指数函数的变步长LMS算法

提出了一种基于指数函数的变步长LMS算法.通过建立误差ε和步长μ的函数关系,实时调整步长,解决了稳态失调系数和收敛速度的矛盾.仿真实验表明,改进算法较原有的普通LMS算法和双曲正切变步长LMS算法有更高的收敛速度和更小的稳态失调系数.     

一种非线性变步长LMS自适应滤波算法

基于定步长LMS自适应滤波算法存在稳态误差和收敛速度无法合理协调的缺点,通过在误差信号与步长之间建立非线性关系,提出了一种新的变步长LMS算法。通过步长函数可以让步长因子在算法初始阶段具有较大值,在算法收敛阶段获得较小值,且变化平缓。理论分析和实验仿真结果表明,新算法克服了在稳态自适应阶段步长调整导致系统不稳定的问题。将新算法应用于电脑风扇噪声的有源噪声控制中,取得了良好的效果。     

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。     

基于S函数的改进变步长LMS自适应算法

变步长LMS自适应滤波算法通过构造步长因子来进行权值调整,使算法具有较快的收敛速度和较小的稳态误差。为了进一步改善算法的性能,提出一种基于S函数的改进变步长LMS自适应算法。该算法基于S函数的曲线特点,通过对函数的平移变换得到算法步长因子的表达式。为满足算法的可控性和抗干扰能力的要求,通过引入可控参数和误差向量自相关值来调整步长因子,得到算法的最终模型。详细分析了模型中各参数的取值对步长因子和滤波性能的影响。与现有算法的仿真结果对比表明,该算法在收敛速度、稳态误差及抗干扰能力方面的性能均有了很大的改善。     

一种新的变步长自适应噪声消除算法

本文针对电力线噪声的特点,提出了一种新的变步长自适应噪声消除算法.在自适应算法的步长与梯度之间建立了新的关系,弥补了基于误差的变步长算法在自适应噪声消除方面的不足,克服了标准LMS算法的收敛性对输入信号的敏感性,并能根据梯度调整步长大小从而实现算法的快速收敛.通过理论分析设计了新的变步长自适应噪声消除算法,并进行了仿真和实测数据验证,证明了算法相对于其他算法的优势.     

基于LMS算法的自适应滤波及在回声消除中的应用

介绍NLMS和NVLMS两种算法控制步长的思想。在此基础上，提出了新的变步长算法，同时使用误差积累和误差控制步长变化，并构建了基于自适应滤波算法的回声消除系统，将三种算法分别在此系统中应用，仿真验证了提出的算法具有更快的收敛速度和更小的稳态误差。并且在发生系统跳变时也能快速收敛。     

一种新的步长等变化自适应算法

定义了描述信号分离状态的一种测度,并在认真分析相关固定步长和变步长EASI算法的基础上。提出了一种新的步长自适应等变化自适应（EASI）算法。该算法步长是基于分离状态的。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传统的EASI算法．     

一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度.在Matlab平台上分析了改进的步长函数中参数α;β以及γ的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性.