排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。 相似文献
3.
为了解决传统跳频算法对动态、复杂电磁干扰环境适应能力不足的难题,以及克服现有跳频算法在分布式通信环境下对公共控制信道和统一时钟源的依赖,提出了一种基于异步时钟序列的分布式认知跳频算法。该算法通过建立认知跳频通信系统模型,分析其通信过程中面临的关键问题,设计了一种应用于分布式跳频通信环境的异步时钟结构序列。基于该序列的分布式认知跳频算法不依赖于任何公共控制信道和统一时钟源,能够在复杂电磁干扰环境下达到高效抗干扰通信的效果。验证实验结果表明,针对典型的窄带、宽带噪声干扰、部分频段干扰以及随机干扰,所提算法的抗干扰性能均显著优于传统的跳频通信算法以及现有的公用控制信道认知跳频算法。 相似文献
1