一种改进的LMS算法及其在噪声对消中的应用

在分析传统定步长LMS(Least Mean Square)算法和变步长LMS算法的基础上,提出了一种改进的变步长LMS算法.新算法利用瞬时误差绝对值三次方的指数形式和遗忘因子同时调整步长,更好地解决了收敛速度和稳态误差的矛盾.将三种算法均用到噪声对消中进行比较,仿真结果表明:新算法收敛速率优于传统定步长LMS算法和变步长LMS算法.     

一种新的变步长LMS算法分析

最小均方(LMS)自适应滤波算法易于实现,在很多领域得到了广泛地应用.但是存在加快算法收敛和减小稳态误差之间的矛盾,而固定步长LMS算法无法解决矛盾.用反正切函数alan建立了步长因子与误差之间一种新的非线性函数关系.给出了一种新的变步长LMS算法.反正切函数较Sigmoid函数简单且易于控制,并且可以使步长在误差接近为零时变化缓慢.从而可以使算法具有更小的稳态误差.还分析了参数、对算法性能的影响.计算机仿真结果与理论分析一致,算法的性能优于固定步长LMS算法和SVSLMS算法.     

基于相关特性的改进箕舌线变步长LMS算法

基于箕舍线的变步长最小均方(Variable step least mean square,VSLMS)算法是一种经典 的LMS算法,但其步长更新公式易受噪声 干扰的影响,导致自适应滤波器权值在最优权值附近波动。为解决箕舌线变步长LMS算法步 长更新公式易受噪声干扰的问题,根据高斯白噪声相关性比较差的特性,对箕舌线变步长LM S算法进行改进,提出基于相关特性的改进箕舌线变步长LMS算法,使算法的抗噪声干扰能力 明显增强。理论分析和仿真结果表明：若两算法选取相同参数,则基于相关特性的改进箕舌 线变步长LMS算法相对于箕舌线变步长LMS算法具有小的稳态误差;在保证算法收敛的条件下 ,基于相关特性的改进箕舌线变步长LMS算法相对箕舌线变步长LMS算法具有较快的收敛速度 。     

一种基于LMS改进算法的语音增强方法

LMS算法在自适应滤波器中得到广泛应用,但这种方法具有收敛速度慢,步长需要谨慎选择才能达到收敛和失调的折中等缺点。文章把一种变步长的LMS算法应用到语音增强中,此算法通过建立步长因子μ与迭代次数n之间的一种函数关系提出一种新的变步长LMS算法,在迭代过程中在开始时采用大步长参数进行迭代,达到稳态后减小步长参数。仿真结果证明该方法对带噪语音有明显的去噪效果,有效地提高了语音的清晰度和可懂度。该算法明显优于传统LMS算法,较之提高了收敛速度并减小了稳态误差。     

一种新的变步长LMS自适应滤波算法仿真研究

本文在介绍并分析了LMS算法及其改进算法的基础上,提出了一种新的变步长方法.通过MATLAB仿真对比实验,验证了该算法同固定步长LMS、变步长LMS算法相比,在均方误差和收敛速度方面都有很大的提高.该算法为自适应滤波的稳定和快速收敛提供了一个较好的解决方案.     

一种改进变步长LMS算法的性能研究

在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,提出了一种改进的变步长LMS算法。新算法通过建立步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大和稳态阶段步长很小,理论分析及计算机的仿真结果表明,该算法可保证较快的收敛速度和较小的失调,能更好地解决收敛速度和稳态误差的内在矛盾,可更好地应用于自适应系统中。     

基于模糊推理的变步长LMS自适应滤波算法

LMS算法是一种基于最速下降法的最小均方误差自适应滤波算法.为了提高LMS算法的收敛速度,依据模糊控制原理,推导出一种结构简单的步长与误差的非线性函数关系,进而得出一种新的变步长LMS自适应滤波算法（FVSLMS）,该算法结构简单,易于实现.在理论上,根据万能逼近定理,用FVSLMS算法可以以任意精度逼近步长与误差的非线性函数关系,因此它可以作为以误差调节步长的变步长LMS算法的一类统一形式.最后,通过计算机仿真说明了FVSLMS算法具有较好的收敛性能.     

基于双曲函数的变步长LMS算法及其分析

提出一种基于双曲函数的变步长最小均方(LMS)算法.通过对双曲余弦函数进行数学变换,建立起误差信号与步长因子的LMS算法,根据误差信号的变化来自动调节步长的大小.仿真结果证明:所提出的LMS算法比标准的LMS算法有着更快的收敛速度等优点.     

基于水声通信的新型变步长最小均方算法

在水声通信中,信道的多径效应会造成严重的码间串扰（ISI）,而现有的均衡算法在处理ISI问题时存在收敛速度慢、稳态误差大、算法复杂不易于硬件移植等问题,为此结合判决反馈均衡器结构前向均衡（FFE）与判决均衡结构（DFE）,提出了一种基于反余弦步长函数和三参数调整因子的变步长最小均方（LMS）算法。首先对三参数因子α、β、r进行算法仿真,优化算法性能,与固定步长LMS算法、基于修正反正切的变步长LMS算法以及基于双曲正割函数的变步长LMS算法的收敛性能和稳态误差进行仿真比较,结果显示：所提算法的收敛速度较固定步长LMS算法提高了57.9%,稳态误差下降5 dB;较双曲正割LMS算法和修正反正切LMS算法提高了26.3%和15.8%,并且算法的稳态误差下降了1~2 dB。最后,将算法移植于信号处理模块,进行水下实验,结果表明,水声信道造成的ISI经过均衡器后,信号得以恢复,能够实际克服多径效应造成的水声信道ISI问题。     

智能天线中变步长LMS自适应波束形成算法研究

波束形成算法是智能天线研究的核心内容,可以使天线有效地接收期望信号并抑制干扰信号,但各种算法均存在计算量大、收敛速度慢、稳态误差大等缺点.为提高系统性能,提出了一种改进的变步长LMS自适应波束形成算法,其步长因子由上一步长因子和自相关误差共同确定.对新算法的性能进行了理论分析,并推导了确保算法收敛的参数α的取值范围.计算机仿真结果与理论分析一致,与现有的变步长算法相比,新的变步长LMS算法具有较快的收敛速度、较小的稳态误差以及较低的算法复杂度,非常适用于智能天线波束形成问题.     

运用遗传算法进行智能音乐作曲研究

采用遗传算法进行算法作曲,主要利用遗传算法的全局最优性,并且相对简单有效的特点.利用简洁的编码方式对基因进行编码,有效地表达了乐曲的主要信息,方便了适应度函数的计算和相关遗传操作的进行.针对音乐质量评估问题,提出了将相关音乐知识的规则和人机交互相结合的模式,共同对所创作音乐进行合理评价.不仅提高了评价的准确性,而且大大降低了人的工作量,产生了良好的音乐工程效果.     

一种基于PBIL算法和变焦算法的混合算法

基于群体的增量学习(PBIL)算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.     

递归算法与高效算法

文章通过实例给出了采用母函数法同时解决递归算法的两个问题:复杂递归算法的时间复杂度的求解问题和递归算法到高效算法的转化问題,并由此设计出高效的组合算法.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

基于Apriori算法的改进算法

挖掘关联规则是数据挖掘中一个重要的课题,产生频繁项目集是其中的一个关键步骤。提出了一种改进算法,并将该算法与Apriori算法进行了比较。该算法只需要对数据库扫描一遍,并且存放辅助信息所需要的空间也少,结果表明该算法对关联规则挖掘较为有效。     

基于SAC的特征选择算法

特征选择通过移除不相关和冗余的特征来提高学习算法的性能。基于进化算法在求解优化问题时表现出的优越性能,提出FSSAC特征选择方法。新的初始化策略和评估函数使得SAC能将特征选择作为离散空间搜索问题来解决,利用特征子集的准确率指导SAC的采样阶段。在实验阶段,FSSAC结合SVM,J48和KNN分类器,通过UCI数据集完成验证,并与FSFOA,HGAFS,PSO等算法进行了比较。实验结果表明,FSSAC可以提高分类器的分类准确率,且具有良好的泛化性能。除此之外,对FSSAC和其他算法在特征空间维度缩减情况方面做了对比。     

递归算法的非递归化研究

1 引言在工程实际中,有许多概念是用递归来定义的,数学中的许多函数也用递归来表达。一个递归算法的执行过程类似于多个函数的嵌套调用,只是主调函数和被调函数是同一个函数而已,在执行过程中,信息的传递和控制的转移必须通过栈来实现,这就导致空间耗费大,执行效率较低,尤其是当递归深度较深时,不但耗费的空间大而且执行的效率也相当低,这是递归算     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

基于欺负算法的优化算法

分布式算法中的欺负算法在选举协调者的过程中由于传输了大量信包而导致性能降低。该文在分析原有算法及其数学模型的基础上,提出一种优化算法并建立了相应的数学模型,对2种算法进行比较可以得出,优化算法在避免了选举失败或选举错误的基础上有效降低了选举过程中信包的传输数量,提高了通信性能,避免了网络延迟和网络拥塞。     

基于改进PSO-TrICP算法的点云配准

针对传统迭代最近点（Iterative Closest Point,ICP）算法在初始空间位置偏差大时,容易陷入局部最优的问题,提出一种基于改进PSO-TrICP算法的点云配准方法。首先,对传统粒子群（Particle Swarm Optimization,PSO）算法进行改进,引入适应度的相似度测量准则调整粒子的更新方式,然后加入历次迭代的全局最优解的均值作为新的学习因子避免求解过程中出现“早熟”现象;其次用刚性变换参数和点云间的重叠率组成粒子,利用改进PSO算法为配准提供良好的初始相对位置;最后,通过裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法估计点云间的空间变换。实验结果表明,改进PSO-TrICP算法的配准精度与运行效率优于近年提出的同类配准算法,且具有较好的鲁棒性。