一种新的变步长最小均方自适应滤波算法

将步长因子μ与误差信号e(n)和测量噪声方差σN2之间的一种函数关系引入自适应滤波器,提出了一种变步长最小均方自适应滤波算法。与已有算法相比,本文算法的步长因子更易于设计和控制。仿真结果表明本算法具有很好的收敛性能,同时也证实了本文算法的有效性。

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。

一种新的变步长自适应最小均方算法

提出了一种根据滤波器系数梯度差值的自相关来计算步长的新的变步长自适应LMS算法。分析了算法的收敛性能和稳态特性,给出了算法参数选择的原则。由实验验证了该算法具有良好的收敛性能和跟踪特性,特别是在输入信号相关的情况下,该算法显示出比标准LMS算法和其它变步长算法的优异性能。

基于sigmoid-sinh分段函数的变步长FxLMS算法

为改善滤波-x最小均方(filtered-x least mean square,FxLMS)算法在噪声主动控制时无法兼顾收敛速度和稳态误差的问题,提出了基于sigmoid-sinh分段函数的FxLMS(SSFxLMS)算法,并引入蚁狮算法对SFxLMS(sigmoid filtered-x least mean square)、ShFxLMS(sinh filtered-x least mean square)、SSFxLMS算法的参数进行优化。分别采用高斯白噪声和实测簇绒地毯织机噪声为输入信号,采用FxLMS、SFxLMS、ShFxLMS、SSFxLMS算法进行噪声主动控制仿真,对比分析这4种算法的性能。结果表明:与其他3种算法相比,采用SSFxLMS算法对高斯白噪声和簇绒地毯织机噪声进行控制时,误差信号的平均绝对值更小,平均降噪量与收敛速度也有大幅度提升。由此可知,SSFxLMS算法有效改善了FxLMS算法无法兼顾收敛速度和稳态误差的问题,研究结果为噪声主动控制算法设计提供了一定的参考。

自适应变步长LMS滤波算法及分析

为了提高最小均方(LMS)自适应滤波算法的性能,通过建立步长因子与误差信号之间的非线性函数关系,提出一种自适应变步长LMS算法。该算法具有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的特点,消除了不相关噪声的影响,并且进一步克服了Sigmoid函数变步长LMS算法在自适应稳态阶段步长取值偏大的缺陷,计算机仿真结果与理论分析相一致,证实该算法优于传统算法。

一种新的变步长LMS自适应滤波算法

本文通过建立步长因子μ与误差信号之间的非线性函数关系,提出了一种新的变步长LMS(LeastMean Square)算法.该算法具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,且克服了S函数变步长LMS算法(简称SVSLMS算法)在自适应稳态阶段μ(n)取值偏大的缺陷.理论分析和计算机仿真结果表明该算法的性能优于SVSLMS算法.

一种新的变步长LMS自适应滤波算法及性能分析

研究了自适应最小均方误差(least mean squares,LMS)滤波算法的步长选取问题。在详细分析现有变步长LMS算法的基础上,给出一种以双曲正切函数的改进形式为变步长的LMS算法。讨论了步长参数的选取原则及其对算法收敛性、抗干扰性和稳态误差的影响。该算法不但具有较快的收敛速度和跟踪速度,而且能获得更小的稳态失调。理论分析和仿真结果表明,该算法具有更好的稳态性能。

一种改进的变步长LMS自适应滤波算法及性能分析

针对现有LMS(leastmean square)算法不能同时提高收敛速度及降低稳态误差的矛盾,提出一种改进的变步长LMS算法,建立了步长参数μ(n)与误差信号e(n)之间的一种新的非线性函数关系:与现有的算法相比,同时引入记忆因子λ和控制函数取值的参数β(n),使当前步长与上一次迭代所得步长及前M个误差的平方相关。理论分析和计算机仿真结果表明,与现有几种常见的LMS算法相比,改进的算法收敛速度和稳态误差的性能指标得到了提高。

一种改进的变步长自适应滤波器LMS算法

本文提出一种改进的LMS算法(即MS-LMS),并建立了步长因子与误差信号)(ne之间另一种新的非线性函数关系。该关系不仅具有原有算法在误差)(ne接近零处缓慢变化的优点,而且低信噪比环境下比原有算法具有更好的收敛性能。理论分析和计算机仿真结果表明,在低信噪比的环境下,改进算法的收敛速度和稳态误差的性能指标都有较大的提高,并对系统发生的突变表现出较强的鲁棒性。

一种新的可变步长LMS自适应滤波算法

本文在讨论基本L,MS,变步长NLMs【",改进的SVSI。MS[2]和LMS／Fp]组合自适应滤波算法的上基础上提出一种新的可变步长L.MS自适应滤波算法,新算法引入修正系数p和遗忘因子／lf=exl^(-i)(i=l,2,...,M-1),并利用p和^i来产生新的步长参与迭代。计算机仿真结果表明,与基本LMS算法或变步长NL,MS算法、改进的SVSLMS算法、LMS／F组合算法相比,新算法在保持算法简单这一特点的同时进一步加快了收敛速度,并能够收敛到更小且稳定的均方误差(MSE)。

改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。

一种改进的变步长LMS自适应滤波算法及其仿真

在分析传统的定步长最小均方(LMS)算法、变步长LMS算法的基础上,通过建立误差信号与步长因子之间的新的非线性映射关系,提出新的改进型变步长LMS自适应算法.通过MATLAB仿真分析,证明了该算法具有较好的收敛速度和较小的稳态误差以及较好的时变系统跟踪能力.

一种改进的变步长LMS自适应滤波算法

提出一种改进的变步长LMS(Least Mean Square)算法,该算法在步长参数μ与误差信号e(n)之间建立了一种非线性函数关系,并且分析了参数α,β的取值原则及对算法收敛性能的影响。该关系具有在误差e(n)接近零处缓慢变化的优点,克服了s函数变步长LMS算法在自适应稳态阶段μ(n)取值偏大的缺陷。理论分析和计算机仿真结果表明,改进算法的收敛速度和稳态误差的性能指标都有较大的提高。

一种新的可变步长LMS自适应滤波算法

在简单讨论基本LMS,变步长NLMS和LMS/F组合自适应滤波算法的基础上提出一种新的可变步长LMS自适应滤波算法,新算法引入修正系数ρ和遗忘因子λi=exp(-i),并利用ρ和λi来产生新的步长参与迭代。计算机仿真结果表明,与基本LMS算法或变步长NLMS、LMS/F组合算法相比,新算法在保持算法简单这一特点的同时进一步加快了收敛速度,并能够收敛到更小且稳定的均方误差(MSE)。

一种新的变步长LMS自适应滤波算法

提出了一种新的变步长算法。理论分析与仿真结果表明 ,该算法的性能要优于传统的LMS(LeastMeanSquare)算法和SVSLMS(SigmoidVariableStep sizeLeastMeanSquare)算法。

一种类箕舌线函数的变步长归一化自适应滤波算法

在综合考虑自适应滤波算法设计中收敛速度、稳态误差、计算复杂度和跟踪性能等指标的基础上,该文提出一种类箕舌线函数的变步长归一化自适应滤波算法,用类箕舌线函数代替Sigmoid函数作为步长迭代公式,引入基于相关误差的变步长调整原则,在大大增强算法稳定性的同时大幅度提升了算法的收敛速度、跟踪性能,减小了算法的计算复杂度。在Matlab平台上分析了改进的步长函数中参数α,β以及γ的不同取值对算法的影响,并将该文算法与已有的基于Sigmoid函数和基于箕舌线函数的变步长LMS算法进行了比较,仿真结果表明,该文算法有更快的收敛速度、更好的跟踪能力以及较小的稳态误差和较强的鲁棒性。

一种基于矢量加速的变步长频域最小均方算法

针对现有变步长频域批处理最小均方(VSFBLMS)算法收敛速度慢的问题,提出一种基于矢量加速的VSFBLM S算法。利用VSFBLM S计算得到的基本步长参数对当前收敛阶段进行判断,并根据收敛阶段分别在前期和后期选择较大和较小迭代次数的权值更新公式进行系数更新,从而加快算法前期的收敛速度并保证后期失调量较小。采用基于自适应滤波器噪声抵消模型进行算法性能测试,结果表明,相比VSFBLMS算法,该算法的收敛速度有较大提高,且在后期具有与VSFBLMS算法趋于一致的失调量。

一种变步长LMS自适应滤波算法研究

为了解决最小均方(LMS)算法的稳定性以及收敛速度和稳态误差之间的矛盾,提出了一种复数型自适应变步长的LMS算法,它的权系数的调整取决于误差曲面在新权值点上的梯度。分析了新算法的收敛特性以及参数选择对算法性能的影响。算法具有较快的收敛速度、鲁棒稳定性且运算小易于实现的特点。计算机仿真的结果与理论分析相一致,证实了算法的收敛性能优于标准的LMS算法并且具有较好的实用性。

用于恒模数字信号的变步长归一化最小均方算法

为全面分析用于数字信号的最小均方(LMS)算法性能,提出了一种新的性能评估参数———误码率.为了提高LMS算法性能,提出了一种新的变步长归一化LMS自适应算法,该算法步长在启动阶段主要由瞬时误差控制,以加速收敛,在收敛阶段主要由其历史值来决定,以获得低的误码率,而切换条件是基于短时均方误差值.与已有类似的变步长LMS算法相比,在几乎不增加算法复杂度的情况下,具有更快的跟踪速度、更低的比特误码率,特别是其控制参数在观测噪声强度发生变化时不需重新调整.计算机仿真效果支持了理论分析.

一种改进的变步长LMS自适应滤波算法

针对最小均方算法收敛过程中收敛速度与稳态误差的矛盾,提出一种基于反正切函数的归一化最小均方算法。该算法利用反正切函数和误差自相关的时间估计建立了步长与误差之间的非线性关系,抑制环境中的非相关噪声,同时引入归一化信号功率扩大输入信号的取值。仿真结果表明,该算法具有较快的收敛速度、较低的稳态误差,同时具备较好的系统时变跟踪能力。