非高斯噪声下基于Wilcoxon范数的变步长符号扩散式仿射投影算法

扩散式仿射投影算法(DAPA)是实现分布式网络参数自适应估计的一种重要方法,该算法在输入信号存在相关性时仍快速收敛,但抑制具有脉冲特性的非高斯噪声能力弱,且固定步长对收敛性有所限制。为此,该文提出了基于Wilcoxon范数的变步长符号扩散式仿射投影算法(VSS-DWAPA)。首先,引入稳健估计理论中抗异常值能力强的Wilcoxon范数作为代价函数并根据其取值特点进行了符号量化,推导出了新的迭代方程;其次,针对固定步长的局限性,采用迭代方式实现了误差信号对步长的控制,在初始阶段和接近收敛阶段选择不同的步长,使算法具有更好的适应性。仿真结果表明,在非高斯噪声下本文的VSS-DWAPA算法在收敛性、跟踪性等方面均优于现有一些扩散式自适应滤波算法,同时在高斯噪声环境下也具有较好的性能。

基于最大相关熵的分布式仿射投影算法

针对二范数的自适应滤波算法受脉冲信号中异常值影响较大的问题,提出一种基于最大相关熵的分布式仿射投影算法。算法通过增加输入信号维度,采用数据重用方法来加快算法收敛速度,有效解决了有色输入信号对分布式最小均方算法的收敛速度变慢问题。同时针对实际应用中广泛存在的非高斯噪声严重影响DAPA收敛性能与稳态性能的问题,采用高斯核的DMCC算法,以最大相关熵作为代价函数。算法利用熵对异常值不敏感的特性有效抑制了非高斯噪声干扰。在非高斯环境和有色输入信号条件下,通过实验仿真,表明该算法具有良好的收敛性和稳态性。