基于P范数的核最小对数绝对差自适应滤波算法

为了进一步提高在α稳定分布噪声背景下非线性自适应滤波算法的收敛速度,本文提出了一种新的基于p范数的核最小对数绝对差自适应滤波算法(kernel least logarithm absolute difference algorithm based on p-norm,P-KLLAD).该算法结合核最小对数绝对差算法和p范数,一方面利用最小对数绝对差准则保证了算法在α稳定分布噪声环境下良好的鲁棒性,另一方面在误差的绝对值上添加p范数,通过p范数和一个正常数a来控制算法的陡峭程度,从而提高该算法的收敛速度.在非线性系统辨识和Mackey-Glass混沌时间序列预测的仿真结果表明,本文算法在保证鲁棒性能的同时提高了收敛速度,并且在收敛速度和鲁棒性方面优于核最小均方误差算法、核分式低次幂算法、核最小对数绝对差算法和核最小平均p范数算法.

基于混合熵的分数阶归一化子带自适应滤波算法

为了改善非高斯噪声环境下归一化子带自适应滤波算法的滤波性能,引入了最大混合相关熵准则和分数阶微分的概念。一方面,利用最大混合相关熵准则的鲁棒性,有效地减小了异常噪声对算法性能的影响;另一方面,在权重更新的过程中,通过引入分数阶微分部分,并以加权的形式考虑数据整体信息,更准确地描述了实际系统,从而提高了算法的滤波性能,可将这一改进后的算法应用于非高斯冲击噪声和有色噪声环境下的系统辨识和非线性信道均衡。通过仿真实验结果可以看出,与已有的鲁棒算法相比,所提算法具有更强的鲁棒性和更高的系统跟踪和估计能力。

基于RBFNN的改进变步长最小均方自适应滤波算法

为了进一步提高径向基函数神经网络非线性自适应滤波的收敛性和稳态性,提出了一种基于径向基函数神经网络(RBFNN)的改进变步长最小均方自适应滤波算法。首先,利用反双曲正切函数的变步长最小均方算法和变尺度函数对变步长模型中的定参数进行替换,以解决算法中固定步长的弊端和变步长模型中定参数的选择问题;然后,将改进算法应用于RBFNN,对网络的中心、宽度参数和输出权值参数进行更新训练,以提高梯度算法下RBFNN滤波的性能;最后,在非线性系统辨识及混沌时间序列预测中进行仿真实验。结果表明,所改进的算法在收敛速度和稳态误差性能上具有明显的优势。