基于自适应LMS算法的跨声速风洞模型系统辨识

针对风洞试验模型系统辨识不准确的问题,利用自适应LMS(least mean square)滤波器模型对跨声速风洞模型进行系统辨识。由于实测信号中存在多模态耦合,为了提高系统辨识精准度,首先对输入输出信号作了FRF(frequency response analysis)分析得到试验模型俯仰方向前两阶模态,其次利用快速Fourier变换进行模态解耦,接着利用自适应LMS滤波器模型、传递函数模型、多项式模型对俯仰方向单模态进行系统辨识,最后得到了基于自适应LMS滤波器模型的俯仰方向一阶、二阶模态滤波器系数。通过对比不同数学模型的输出与输入之间的相关系数和均方误差及辨识结果,表明自适应LMS滤波器模型具有更高的系统辨识精准度和更简洁的数学模型结构。为后续风洞试验模型振动主动控制计算法的设计提供有力支撑。

基于镜像修正FxLMS控制算法的船舶管路振动主动控制

针对船舶管路减振和抗冲击的需求,本文根据镜像修正自适应滤波算法,设计出了一种管路振动主动控制策略,能够有效地控制管路在低频下的振动,并且在次级通道发生突变时,控制系统可再次快速收敛,进行稳定控制。本文先对镜像修正自适应滤波算法进行理论研究,分析算法的迭代及控制过程;再通过仿真分别验证算法在不同参考信号输入下的收敛性及稳定性;最后搭建实验台架,通过试验验证算法的实际控制效果。试验结果表明:该控制策略在管路振动主动控制中能够降低15.37%的振动强度,比自适应滤波算法控制策略的控制效果好8.85%。所以镜像修正自适应滤波算法能够及时有效地进行管路振动控制。

一种变步长的零吸引归一化自适应滤波算法

为了使最小均方算法对高斯噪声环境和稀疏系统具有更好的收敛速度和稳态误差,提出了一种变步长的零吸引归一化最小均方算法。该算法将改进的Versoria函数的稀疏感知范数与归一化最小均方算法相结合后,引入了一种新的类高斯函数的变步长策略,解决了固定步长条件下算法收敛速度较慢、跟踪性能较差的问题。从理论层面分析了所提算法的收敛性,并基于MATLAB平台讨论了改进的类高斯步长函数中各参数对算法性能的影响。最后将所提算法与其他同类算法应用于不同信噪比条件下的高斯噪声环境以及稀疏环境中进行未知系统辨识实验,仿真结果表明,所提算法具有更快的收敛速度、更好的跟踪能力以及较小的稳态误差。

基于Adam算法的LMS优化

虽然传统的LMS算法简单有效,但它的收敛速度较慢,容易受到初始权值选择和步长设置的影响。为了解决这个问题,我们引入了Adam算法的自适应学习率特性到LMS算法中。Adam算法通过一阶矩估计(mean)和二阶矩估计(variance)来估计梯度的均值和方差,并根据这些估计值来调整学习率。这样可以对梯度下降的方向和速度进行更精细地控制。通过Adam算法对LMS优化,LMS算法在更新权重时能够更加高效地利用梯度信息,从而提高训练速度和收敛性能。此外,优化后的算法还具有一些超参数,如beta1、beta2和eps等,需要根据具体的应用场景和数据特点进行调节,以获得最佳的优化效果。仿真结果表明优化方案比传统LMS算法在收敛过程中的震荡要更小。

一种可用于低信噪比环境的变步长LMS算法

论文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。在分析现有算法的基础上,通过构造步长与误差信号之间的非线性函数,提出一种新的变步长LMS算法。新算法采用误差信号的自相关估计值控制步长,而不是直接利用瞬时误差控制步长,避免了噪声干扰,降低了稳态失调,可工作于低信噪比环境。同时新算法步长控制无记忆效应,提高了收敛速度。仿真表明,新算法的稳态失调和收敛速度均优于现有变步长LMS算法。

求解Hankel张量方程的修正自适应LM算法

结合经典的LM算法及其变形,提出了求解Hankel张量方程的修正自适应LM算法,并证明其全局收敛性和局部二次收敛性.数值实验验证了所提算法的可行性和有效性.

基于改进LMS的引信回波自适应滤波算法

针对无线电引信回波在信号处理过程中易被噪声覆盖的问题,引入步长补偿因子和反馈控制的思想,提出一种基于改进最小均方(LMS)算法的引信回波自适应滤波算法。该算法在正态函数的基础上引入步长补偿因子共同约束步长取值,提高算法的收敛速度;采用当前误差信号与前一时刻误差信号的互相关值动态调整算法参数,实现对不相关噪声的抑制;同时结合步长归一化处理,增大步长的选择范围,使算法收敛速度更快,稳定程度更高。仿真实验结果表明:该算法可以有效降低噪声对引信回波信号的影响,且与原有算法相比在收敛速度和稳态误差上具有较好性能。

一种改进的LMS自适应滤波算法

在信号采集处理中,为了更有效地将信号中的噪声剔除,对原始信号的还原程度更高。针对现如今已经存在的LMS变步长算法提出了一种改进方案,既在基于tanh函数的LMS算法的基础上,通过建模推导并引入了一个调节因子。若系统处于大误差情况下,算法能够保持较快的收敛速度,同时又保证了系统误差较小时的收敛精度,不易发生过滤波。设计完成后通过Matlab进行了多次仿真验证,结果表明,在均值为0的高斯白噪声条件下,相比于原有LMS算法,收敛速度提高了10%,滤波精度提升了5%,MES有了0.2dB的提升,所以改进后的算法也有着良好的应用前景。

基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差(least mean squares,LMS)滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sig-moid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明:该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。

基于归一化LMS算法自适应均衡器的Simulink实现

为了克服硬件实现归一化LMS算法自适应均衡器的缺点,构造了数据传输系统中采用归一化LMS算法自适应均衡器的Simulink仿真模型。首先介绍了归一化LMS算法,给出基于归一化LMS算法自适应均衡器的建模过程,最后研究了抽头输入向量相关矩阵的特征值和步长参数对该自适应均衡器性能的影响。仿真结果同时验证了该模型的正确性和Simulink作为仿真工具的有效性。

自适应噪声对消的归一化LMS算法

为了克服自适应滤波中固定步长LMS算法存在收敛速度与稳态误差的矛盾,本文通过MATLAB仿真不同步长因子下LMS算法的学习曲线,分析了LMS算法在收敛过程中存在的矛盾,并运用归一化LMS(NLMS)算法来改善上述矛盾。NLMS算法是通过输入变量改变步长因子从而改变算法的收敛特性。本文对NLMS与LMS算法的误差曲线仿真并进行稳态误差效果比较,结果显示NLMS算法的稳态误差精确度明显提高,收敛速度加快。通过将LMS算法与NLMS算法应用于自适应噪声对消中,得到NLMS算法具有收敛速度更快同时稳态误差更小的特性,该算法能够快速对干扰信号作出反应,使除噪效果更好。

一种改进的解相关LMS自适应算法

针对变步长LMS自适应滤波算法在输入信号高度相关时,收敛速度下降导致性能下降的问题,提出了一种改进的解相关LMS自适应算法,该算法引入解相关原理和归一化处理,用输入向量的正交分量来更新滤波器权系数,有效加快了算法的收敛速度,且稳态误差小,使得算法在有色输入和大范围的动态输入下都能保持良好性能.

一种变步长凸组合LMS自适应滤波算法改进及分析

为了避免单个滤波器在收敛速度与稳态误差上相互制约,从而导致系统性能降低的问题,本文采用凸组合最小均方算法(Combined Least Mean Square,CLMS),将快速滤波器和慢速滤波器并联使用,同时为进一步改善CLMS算法的性能,对已有的变步长凸组合最小均方算法(Variable Step-size Convex Combination of LMS,VSCLMS)做出改进,提出了一种新的VSCLMS算法.在该算法中,对快速滤波器选用以最小均方权值偏差(Minimization of Mean Square Weight Error,MMSWE)为准则的按步分析的变步长滤波器;对慢速滤波器采用以稳态最小均方误差(Least Mean Square,LMS)为准则的固定步长滤波器.通过理论分析与仿真实验表明,该算法能够在噪声、时变以及非平稳的环境下保持较好的随动性能,且在各个阶段均保持良好的收敛性,与传统的CLMS、VSCLMS算法相比,不仅具有更快的收敛速度,而且拥有稳定的均方性能和较优的跟踪性能,为自适应滤波算法的研究提供了一条可行途径.

LMS和归一化LMS算法收敛门限与步长的确定

从 LMS算法失调量的准确表达式出发,根据输入信号特征值分布重新研究了 LMS,归一化LMS(Normalized LMS,NLMS)算法收敛的必要条件,推导出 LMS和 NLMS 算法收敛的步长门限,并分析了输入信号特征值分布、滤波器阶数对算法收敛步长门限的影响,推导出满足性能失调下步长的自适应计算公式,减小了应用 LMS,NLMS算法时步长选取的盲目性,与已有的算法相比,具有计算简单、实用、自适应性能强,同时可获得满意失调量的特点,计算机模拟结果表明该方法的正确性。

一种新的变步长LMS自适应算法及其在自适应噪声对消中的应用

许多时变步长（ＶＳＳ）自适应算法已经提出用来完善标准ＬＭＳ算法的性能，但实验表明这些算法容易受噪声干扰。本文介绍了一种新的变步长ＬＭＳ自适应算法，这种算法保证了较小的失调，同时使算法在自适应初始阶段有较快的收敛速度。该算法的优越性在于它不受已经存在的不相关噪声的干扰。本文对该算法的收敛性和稳定性进行了分析，并将该算法应用于自适应噪声对消的仿真实验中，给出了计算机的仿真结果。

一种新的变步长LMS自适应滤波算法

传统LMS算法的优点是计算简单、易于实现，缺点是收敛速度慢，如果为加快收敛速度而增大步长因子μ，则会导致大的稳态误差，甚至引起算法发散。固定步长因子无法解决收敛速度和稳态误差之间的矛盾。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，得出一种新的变步长自适应滤波算法（SVSLMS）。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。即在计算量增加不多的前提下，能同时获得较快的收敛、跟踪速度和较小的稳态误差。

基于指数函数的归一化变步长LMS算法

在研究归一化最小均方误差(NLMS)算法的基础上,提出一种基于指数函数的变步长LMS算法。通过建立误差和步长的函数关系,实时调整步长,并对输入信号完成时域信号解相关,解决稳态失调系数与收敛速度的矛盾。仿真实验结果证明,该算法与传统LMS算法、SVS_LMS算法、NLMS算法以及双曲正切变步长LMS算法相比,具有更高的收敛速度和较小的稳态失调系数。

一种变步长LMS自适应滤波算法及分析

本文对变步长自适应滤波算法进行了讨论 ,建立了步长因子 μ与误差信号e(n)之间另一种新的非线性函数关系 .该函数比已有的Sigmoid函数简单 ,且在误差e(n)接近零处具有缓慢变化的特性 ,克服了Sigmoid函数在自适应稳态阶段步长调整过程中的不足 .由此函数本文得出了另一种新的变步长自适应滤波算法 ,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 .该算法有较好的收敛性能且计算量少 .计算机仿真结果与理论分析相一致 。

基于LMS算法的自适应均衡系统的仿真研究

描述了用仿真试验得出LMS自适应均衡滤波器的收敛性和跟踪性能与滤波器长度和迭代算法跳步两个重要的参数之间的定量关系,为此构建了有实用价值的系列时延扩展的传输环境和可变多径传输信道。建立了系统仿真模型、做出了仿真试验结果并分析了仿真试验结果的意义。

基于遗传算法的超声信号LMS自适应时延估计

为了克服LMS自适应时延估计（LMSTDE）算法计算量大的问题，引进遗传算法进行LM－STDE的寻优规划，并采取了克服过早收敛的措施。对超声信号进行时延估计的实验表明，该方法大大减少了计算量，并有较高的时延估计精度。