一种新的变步长比例仿射投影算法研究

研究比例仿射投影算法,针对自适应算法收敛速度和稳态误差之间的矛盾,提出了一种变步长的改进比例仿射投影算法( VSS- IPAPA).利用后验误差去补偿干扰信号对系统稳态性能的影响,得到了算法新的最优步长准则,根据步长准则以及先验误差与后验误差之间的联系,导出了一种适用于比例仿射投影的步长调节方法.综合了稀疏算法、数据重用方法及变步长的优点.最后通过对改进算法进行仿真,结果表明,在增加少量计算量的情况下,系统的收敛速度和稳态性能有明显的改善,证明了比例仿射投影算法的有效性.     

一种改进的集员滤波仿射投影算法

在优化算法的研究中,集员滤波的仿射投影算法具有比传统仿射投影算法迭代次数少、计算量小等优点,但实际应用中,算法的计算复杂度与滤波器长度成正比,当滤波器长度较大时限制了实时实现.为减少误差,实时运行,提出了一种改进算法.算法中当输出误差小于给定误差门限时,滤波器系数不必进行调节;否则将滤波器系数分成多个系数子集,通过仅更新权系数某一子集的方法,减少了原算法每次迭代中需更新的抽头权系数个数.采用一个声回波消除方法进行仿真.仿真验证了改进算法的性能,表明新算法与基于集员滤波的仿射投影算法相比,具有更快的收敛速度,并降低了计算复杂度.     

改进的变步长比例仿射投影算法

变步长分割式比例仿射投影算法（VSS-SPAPA）具有收敛快、失调小等优点,但运用到有大量抽头系数需要更新的回波抵消器中时,因计算量较大,限制了其应用。为降低其计算复杂度,基于局部迭代思想提出了一种改进算法。该算法将滤波器系数分成多个系数子集,通过仅更新权系数某一子集的方法,减少了每次迭代中需更新的抽头权系数个数,从而减少了VSS-SPAPA的运算量。理论分析和仿真结果表明：新算法每次迭代更新的抽头权系数只需达到全部系数的一半时,收敛速度和稳态误差均与原算法相当,但所提算法较大程度降低了计算复杂度,从而具备更好的实时性。     

改进的变步长行加权仿射投影算法

针对带衰减因子的变步长仿射投影算法(VS-APA-FF)中加权投影矩阵容易产生病态化的问题,文献[8]提出了正则化的VS-APA-FF(vs-APA-FF-REGU)算法,但加权投影矩阵的运算量仍然较大,为此提出改进的行加权变步长仿射投影算法(VS-APA-RW)对加权投影矩阵的计算进行简化.该算法采用间歇更新的变步长策略,有效降低了的整体运算量.最后通过有色输入下的信道盲辨识表明了算法的性能.     

适用于即时翻译系统的改进仿射投影算法 *

针对即时翻译系统应用中存在双端对讲干扰和模型噪声的问题,提出了一种适用于便携式即时翻译系统的改进变步长仿射投影算法。新算法在收敛步长中引入近端信号能量统计量和滤波器收敛程度统计量,根据统计量的改变实时调整步长参数,防止算法发散。仿真结果表明,与传统自适应滤波算法和改进仿射投影算法相比,所提出的算法不但可以有效克服双端对讲干扰,而且在收敛速度、稳态失调等方面也有明显改善。     

一种新的变步长自适应滤波算法研究

针对滤波器在亚模型(under-modeling)工作状态下定步长自适应算法收敛速度和稳态误差之间的矛盾,提出一种变步长分割式比例仿射投影算法(VSS-SPAPA)。该算法考虑到系统干扰噪声和滤波器权系数个数小于回声路径长度时引起的亚模型噪声对回声消除系统性能的影响,利用后验误差去补偿这两类噪声的负面作用,建立一个新的目标函数,根据该目标函数,导出一种适用于比例仿射投影算法整体步长的调节方法。仿真结果表明:在增加少量计算量的情况下,新算法的收敛速度和稳态性能与定步长比例仿射投影算法以及已有变步长算法相比得到了明显提高。     

仿射投影算法中的步长控制

依据仿射投影算法均方误差（MSE）的最快收敛速度条件,对算法迭代过程中的步长进行控制,提出了一种新的变步长仿射投影算法（VSSAPA）。该算法使步长随着输出误差的变化而自动调整,从而降低稳态误差。将提出的算法应用于系统辨识,结果表明,与传统仿射投影算法和变步长仿射投影算法相比该算法具有更低的稳态误差和更快的收敛速度。     

基于改进仿射投影算法的数字助听器自适应回声消除

提出了一种改进的仿射投影算法。该算法建立了步长因子与误差能量之间一种新的非线性函数关系,根据误差能量的变化自动调整步长因子,以达到加快滤波器收敛速度、降低稳态失调的目的;在对误差能量的估计中提出了遗忘因子选择规则,提高了误差能量估计的准确性。对提出的算法进行的数学分析,为其快速收 敛性提供了理论依据。实验仿真表明,与传统的自适应算法以及固定步长的仿射投影算法相比,提出的改进仿射算法在收敛速度、稳态失调等方面有明显改善。     

仿射投影自适应算法在数字预失真系统中的应用

基于自适应滤波器的仿射投影算法,结合复数增益查找表结构,建立预失真系统模型.研究了步长参数和多重约束数对仿射投影算法收敛速率的影响;比较了仿射投影算法和归一化最小均方算法的性能.结果表明,在取值范围内的步长参数和多重约束数越大,仿射投影算法收敛速率越快;相同迭代次数、步长参数和正则化系数时,偏离归一化载波中心频率5 MHz处,仿射投影算法的系统邻信道功率比达到-59.3 dB,效果好于归一化最小均方算法的-44.2 dB.     

一种引入动量项的变步长LMS算法的研究

该文针对SVSLMS算法步长函数在误差e（n）接近零处不具有缓慢变化的缺点和MLMS算法由于采用固定步长使得在稳态阶段权值更新到期望值速度过慢的不足进行了讨论。通过更新SVSLMS算法步长函数和在权值调整式中增加动量项,该文提出了一种改进算法—SVS-MLMS算法。该算法具有步长函数在误差e（n）接近零处能够缓慢变化的优点,使得在白适应稳态阶段的步长稳定在最优值,进而使权值收敛到最佳。仿真结果证明该算法在学习曲线收敛速度加快和稳态误差减小方面取得了较好的效果。该文还讨论了算法中三个参数a,b,r的取值对算法收敛性能的影响,确定了它们的最优值。     

上下文分解机的自适应更新策略

分解机模型已经被成功应用于上下文推荐系统。在分解机模型的学习算法中,交替最小二乘法是一种固定其他参数只求单一参数最优值的学习算法,其参数数目影响计算复杂度。然而当特征数目很大时,参数数目随着特征数目急剧增加,导致计算复杂度很高;即使有些参数已经达到了最优值,每次迭代仍更新所有的参数。因此,主要改进了交替最小二乘法的参数更新策略,为参数引入自适应误差指标,通过权重和参数绝对误差共同决定该参数更新与否,使得每次迭代时重点更新最近两次迭代取值变化较大的参数。这种仅更新自适应误差大于阈值的参数的策略不但减少了需要更新的参数数目,进而加快了算法收敛的速度和缩短了运行时间,而且参数权重由误差决定,又修正了误差。在Yahoo和Movielens数据集上的实验结果证明:改进的参数更新策略运行效率有明显提高。     

动量滤波-eLMS算法及其性能分析

针对有源噪声控制中滤波-e LMS(最小均方算法)算法收敛速度慢,收敛步长取值范围小及受参考信号自相关矩阵特征值分散程度影响较大的缺点,提出一种改进的滤波-e LMS箅法一动量滤波-e LMS算法.算法在滤波-e LMS算法的基础上,结合动量LMS算法,在权系数更新迭代时引入一个动量项,此动量项包含了先前梯度的估计值.理论推导证明算法不仅可以加快系统的收敛速度还可以扩大收敛因子的取值范围.仿真结果表明,动量滤波-e LMS算法具有收敛速度快、稳态误差小的优点.还讨论了算法中不同动量因子对算法收敛性能的影响,确定了它们的最优取值范围.     

An affine projection algorithm with variable step size and projection order

It is known that the performance of adaptive algorithms is constrained by their computational cost. Thus, affine projection adaptive algorithms achieve higher convergence speed when the projection order increases, which is at the expense of a higher computational cost. However, regardless of computational cost, a high projection order also leads to higher final error at steady state. For this reason it seems advisable to reduce the computational cost of the algorithm when high convergence speed is not needed (steady state) and to maintain or increase this cost only when the algorithm is in transient state to encourage rapid transit to the permanent regime. The adaptive order affine projection algorithm presented here addresses this subject. This algorithm adapts its projection order and step size depending on its convergence state by simple and meaningful rules. Thus it achieves good convergence behavior at every convergence state and very low computational cost at steady state.     

一种快速收敛的变步长自适应谐波检测算法

为解决传统固定步长LMS自适应算法在电网谐波检测中存在的收敛速度和稳态误差之间的矛盾,本文提出了一种快速收敛的变步长自适应谐波检测算法。该算法以误差反馈信号、误差信号在总误差信号中所占的比率以及负载电流的相邻两个采样值之差的和作为自适应反馈量,并通过自适应反馈量的相干平均估计来控制步长的更新;同时对系统权值迭代公式进行改进提高收敛速度;并改传统的固定步长变化范围为时变范围,使步长变化更加平滑。该方法在负载突变的情况下有很好的跟踪性能,可有效的提高初始收敛速度、减小稳态失调。仿真分析及实验证明了该算法在谐波检测中的有效性和准确性。     

自适应回波抵消中变步长NLMS算法的研究

在对变步长NLMS(VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长NLMS新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他变步长NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS、SVSS更好的收敛性。     

基于变异和动态信息素更新的蚁群优化算法

尽管蚁群优化算法在优化计算中已得到了很多应用,但在进行大规模优化时,其收敛时间过长仍是应用该算法的一个瓶颈.为此,提出了一种高速收敛算法.该算法采用一种新颖的动态信息素更新策略,以保证在每次搜索中,每只蚂蚁都对搜索做出贡献;同时,还采取了一种独特的变异策略,以对每次搜索的结果进行优化.计算机实验结果表明,该算法与最新的改进蚁群优化算法相比,其收敛速度提高了数十倍乃至数百倍以上.     

Modified augmented Lagrangian coordination and alternating direction method of multipliers with parallelization in non-hierarchical analytical target cascading

Analytical Target Cascading (ATC) is a decomposition-based optimization methodology that partitions a system into subsystems and then coordinates targets and responses among subsystems. Augmented Lagrangian with Alternating Direction method of multipliers (AL-AD), one of efficient ATC coordination methods, has been widely used in both hierarchical and non-hierarchical ATC and theoretically guarantees convergence under the assumption that all subsystem problems are convex and continuous. One of the main advantages of distributed coordination which consists of several non-hierarchical subproblems is that it can solve subsystem problems in parallel and thus reduce computational time. Therefore, previous studies have proposed an augmented Lagrangian coordination strategy for parallelization by eliminating interactions among subproblems. The parallelization is achieved by introducing a master problem and support variables or by approximating a quadratic penalty function to make subproblems separable. However, conventional AL-AD does not guarantee convergence in the case of parallel solving. Our study shows that, in parallel solving using targets and responses of the current iteration, conventional AL-AD causes mismatch of information in updating the Lagrange multiplier. Therefore, the Lagrange multiplier may not reach the optimal point, and as a result, increasing penalty weight causes numerical difficulty in the augmented Lagrangian coordination approach. To solve this problem, we propose a modified AL-AD with parallelization in non-hierarchical ATC. The proposed algorithm uses the subgradient method with adaptive step size in updating the Lagrange multiplier and also maintains penalty weight at an appropriate level not to cause oscillation. Without approximation or introduction of an artificial master problem, the modified AL-AD with parallelization can achieve similar accuracy and convergence with much less computational cost compared with conventional AL-AD with sequential solving.     

基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点,提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值,然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高,能够有效抑制遗传算法初期收敛的发生,确保了快速达到全局收敛,克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

改进相关矩阵估计的LMS牛顿算法分析与仿真

在LMS牛顿算法中权值的更新采用了输入信号矢量的相关矩阵估计，不同的估计方法对算法的性能影响很大，该文分析了一种改进相关矩阵估计的LMS牛顿算法，该算法通过对LMS牛顿算法中的相关矩阵采用改进的指数加权估计，大大提高了算法的性能，同时维持了适中的计算复杂度。此外，还比较了LMS牛顿算法与RLS算法，从原理上说明了它们的密切联系；指出算法改善性能的关键在于变步长特性，即步长随着时间增加而逐渐变小，使得算法既可以保持较快的收敛速度，又获得了较小的失调。算法在智能天线中的仿真结果表明，该算法具有比常规LMS牛顿算法更优的性能。