一类基于分数阶梯度信息的变阶次扩散LMS算法

针对分布式网络中的参数估计问题,本文提出了一类基于分数阶梯度信息的扩散LMS算法,主要利用分数阶梯度的变阶次机制来提升算法的各项性能.首先,针对已有的集中式分数阶梯度LMS算法,将其推广到分布式网络中的参数估计问题上来.进而,讨论了所提算法的收敛速度和收敛精度.其次,考虑到分数阶阶次对于算法性能的影响,设计了一个变分数阶阶次的策略来充分发挥分数阶的优点以提升算法的收敛特性.进一步,证明了切换拓扑结构下所提算法的收敛性.最后,通过数值仿真结果,从收敛速度、收敛精度、鲁棒性等角度验证了所提算法的有效性和优越性.

改进变步长自适应分布式滤波算法

为提高传统LMS算法在分布式传感器网络自适应滤波中的收敛速度并保持较小的稳态误差,在扩散LMS算法基础上,提出一种基于Sigmoid函数改进变步长的分布式扩散LMS自适应滤波算法,算法通过Sigmoid函数变换构建步长因子与迭代误差之间非线性模型,并通过设置控制因子合理调整模型的步长曲线波型,使得算法在初期使用较大的步长以加快收敛速度,而在后期则采用平稳变化步长以保持较低的稳态误差,从而在在不失传统算法稳态精度的情况下,实现较快的收敛速度。实验结果表明:相比于已有算法,所提算法的估计性能更优。