基于LMS算法的短波通信数据干扰控制技术

短波通信原理简单,已广泛应用于大型无线通信系统。但在实际应用中,很多因素会影响短波通信,造成数据干扰,因此应采取有效的控制措施。基于此,分析短波通信的基本内容与主要特点,并在剖析短波通信干扰的基础上,分别从短波通信信号特征提取、干扰数据识别、数据干扰控制及实验测试4个方面,探讨基于最小均方(Least Mean Square,LMS)的短波通信数据干扰控制技术。

均方偏差分析的多态可变步长LMS算法

最小均方(least mean square,LMS)算法在时变信道的最小稳态均方偏差(mean square deviation,MSD)由输入功率、噪声功率、随机扰动信号功率以及滤波器长度共同决定。为达到系统中最小的MSD值,传统的LMS算法存在有迭代次数较多和收敛速度慢等问题,提出了一种多态可变步长最小均方(multi-state variable step size least mean square,MVSS-LMS)算法。该算法通过添加暂态递减步长作为过渡,实现以更快的收敛速度达到系统中最小的MSD值。理论分析与仿真结果表明,与目前最新的Prob-LMS算法相比,所提算法在时变信道以及突变信道都具有更快的收敛速度和更低的MSD值,且算法的复杂度更低。

一种改进的变步长最小均方算法滤除心电信号运动伪迹的研究

设计一种便携式心电监测装置,其具有低功耗、应用场景宽等优点,能够在运动状态下实时监测人体心电信号(electrocardiogram,ECG)。为了滤除心电信号中的噪声干扰,尤其是运动伪迹(motion artifact,MA)的噪声干扰,在最小均方(least mean squares,LMS)算法的基础上改进步长因子,加快自适应算法的收敛速度,从而保证在最佳权系数附近的失调量最小,且减少权值系数更新的运算量。实验结果表明,算法在处理信号过程中能够得到清晰不失真的原始心电信号,具有运算量小且滤波效果较好等优点。

适用于无线传感器节点的低复杂度CCVSLMS均衡器研究

针对无线传感器节点的均衡算法——最小均方误差（LMS）算法和截断数据LMS算法或截断误差LMS算法（CLMS算法）的收敛速度、稳态误差性能的不足，进行了截断误差和截断数据可变的步长LMS算法（CCVSLMS算法）的研究，该算法通过对误差和数据进行截断处理和建立步长因子／1与截断变化率的线性函数关系来改善收敛速度和稳态误差之间的矛盾，并有效降低了计算复杂度。仿真结果证实该算法性能优于LMS算法和CLMS算法。在TSMC 90mm CMOS工艺下，均衡器的超大规模集成（VISI）优化的综合结果显示，硬件实现面积约为1806个单元，动态功耗仅为12μW，因此该均衡器能满足无线传感器节点高灵敏度和低成本的要求。

应答器上行链路信号自适应解调方法的FPGA实现

为降低电磁干扰对信号传输的影响,分析了应答器上行链路信号传输过程及其易遭受干扰信号的特点,设计了基于符号最小均方误差(least mean square,LMS)算法的自适应解调方法。为在硬件平台中实现该解调方法,通过仿真计算,确定LMS算法的自适应算法中间变量变化范围,使用截位操作完成权值系数的更新,设置均衡器长度、步长因子、中值滤波系数分别为1、1/64、16,可在不占用过多硬件资源情况下获得良好的解调性能。解调算法在现场可编程门阵列(field programmable gata array,FPGA)上予以验证,实验表明,当信噪比为6 dB时,FPGA中自适应解调误码率为0.000001,在信噪比大于等于6 dB时,实测误码率与仿真分析误码率基本一致;FPGA自适应解调方法在列车不同速度等级下误码率均小于10^(-6)。

比例最小均方/四阶算法及其在系统辨识中的应用

针对非高斯噪声环境下稀疏系统参数辨识问题,提出一种基于比例更新机制的最小均方/四阶(LMS/F)自适应滤波算法(PLMS/F)。该方法以混合均方/四阶准则(MS/FE)为代价函数,其包含了误差的高阶项,具有解决非高斯噪声问题的优势。引入比例更新机制,从而可根据算法当前时刻权重变化特征来调整各权重参数的步长,因此具有良好的跟踪性能。使用梯度下降法设计了阈值参数自适应更新机制以进一步改进算法稳态性能。此外,分析了所提算法的平均和均方收敛性。应用具有稀疏特征的FIR系统参数模型对所提算法实现了在非高斯噪声环境中的参数辨识。仿真实验结果表明,该算法可以有效辨识模型参数,且具有较低的稳态误差和强的鲁棒性。

采用LMS算法的频域均衡技术研究

LMS（最小均方）算法是一种经典自适应算法,最初应用于时域均衡。本文采用LMS算法,根据信道的特性来更新频域均衡器的均衡系数,实验结果表明该算法可明显改善频域均衡系统的性能。

WCDMA信道分类LMS信道衰落估计方法

分析移动衰落信道特征,对LMS自适应算法在WCDMA信道估计上的应用做改进;仿真表明,改进是可行的。

改进的变步长频域批处理LMS算法

现有的单载波频域均衡技术中的定步长频域批处理LMS(Frequency-DomainBlockLeastMeanSquare,FBLMS)算法,在收敛速度和稳态误差之间存在矛盾。针对这个问题,基于对变步长LMS算法的研究分析,提出了一种新的改进的变步长频域批处理LMS自适应滤波算法,通过变步长因子以及频域权系数抽头泄漏能很好地协调收敛速度和稳态误差之间的矛盾,并且还具有较低的算法复杂度的特点。通过Matlab对提出的新算法进行计算机仿真验证,结果表明该算法有较好的收敛速度和较小的稳态误差。

语音去噪LMS自适应滤波器算法的改进

对LMS自适应算法进行了详细的性能分析与讨论，针对LMS算法运算较复杂、适应性较弱、稳定性差的缺点提出了一种HLMS（混合LMS）算法。建立了自适应噪声抵消系统，利用MATILAB软件对食堂、体育馆两处的录音信号进行计算机语音去噪仿真分析。实验结果表明，两种自适应方法均能有效抑制各种噪声污染，提高语音信噪比为60％～85％．而且对引入的语音信号失真也较小，二者均在10％以下。HLMS算法比LMS算法更简洁，LMS算法调节性能敏感于参考输入的方差，而HLMS算法敏感于参考输入的均方根值，因此HLMS算法的适应性比LMS算法更强．在非平稳随机输入情况下HLMS算法更能提供稳定的工作性能，更能较好的恢复原始语音信号。

加权l_p范数LMS算法的稀疏系统辨识

针对经典最小均方(LMS)算法没有考虑冲击响应通常具有稀疏性的特点,一般的稀疏LMS算法当自适应趋于稳态时,对小系数施加过大的吸引力,导致稳态误差增大的缺点,提出对稀疏系统进行辨识的改进的l p(0<p1)范数惩罚约束的自适应算法——加权l p范数惩罚(reweighted l p-norm penalty)LMS算法。该算法的主要思想是在惩罚函数中加入一个更新权值,适当地调节吸引力的大小。计算机仿真实验结果表明了该算法的可取性,并且其在收敛速度和稳态性方面优于现有的稀疏系统辨识方法。

新的变块长频域批处理LMS算法

针对传统的频域批处理LMS(Frequency-domain Block Least Mean Square,FBLMS)算法在收敛速度和稳态误差之间存在矛盾的问题,不同于变步长LMS算法,提出了一种新的变块长频域批处理LMS算法,采用自适应改变的批处理块块长的方法来协调解决这个矛盾。通过Matlab对提出的算法进行计算机仿真,结果表明相比于传统的FBLMS算法,新算法具有更快的收敛速度和更小的稳态误差。

平稳环境下LMS算法优化分析及其FPGA实现

高速自适应滤波器的设计及其现场可编程门阵列(FPGA)实现一直是信号处理领域研究的热点。普通最小均方误差算法(LMS)自适应滤波器运行速度受到计算滤波输出和系数更新时间限制,制约了其信号处理的速度。对于平稳环境,通过对自适应滤波器系数更新方程进行前瞻和松弛近似,对LMS自适应算法进行了优化分析,得到了一种改进的LMS自适应滤波器结构。利用DSP Builder工具建立了四阶改进结构的LMS自适应滤波器模型并进行了一系列的仿真,结合多种电子设计自动化(EDA)工具,最终在EP2C35型FPGA上得到了最高响应速度60.07MHz的高速自适应滤波器。结果表明,改进的LMS自适应滤波器速度较一般结构滤波器快,但耗费了较多逻辑资源。

基于RLS与LMS算法的功率倒置阵列性能评估

针对卫星信号接收中干扰信号功率远大于有用信号功率的问题,根据功率倒置阵列原理,尝试使用递归最小二乘方(Recursive Least Square,RLS)算法和最小均方(Least Mean Square,LMS)算法来求功率倒置阵的最优权值,并对不同阵元数目和不同干扰功率条件下这两种算法从功率倒置阵列性能方面进行比较和评估,以探讨各自的优点和不足。实验结果表明,基于RLS和LMS的功率倒置阵列算法均可使天线阵列在干扰来向上自动生成零陷,零陷的深度随阵元数目和干扰功率的增加而加深。

基于LMS的超声换能器温度补偿仿真

针对超声波测风、测距等领域中温度变化引起超声波传感器的传输特性变化,从而影响测量精度的问题,提出通过仿真实验研究超声换能器等效电路中各参数随温度变化对传输特性的影响情况,并得出其主要影响的因素。然后根据自适应算法的特性,尝试使用最小均方误差算法(LMS)自适应滤波算法对超声波传感器的传输特性进行补偿。仿真实验结果表明:在单独变化情况下,超声波传感器传输特性主要受动态电感和动态电容影响较大,LMS自适应滤波算法能够对其传输特性进行有效补偿,减小温度变化引起的传输特性变化。

基于改进LMS算法的TH-UWB接收机

跳时超宽带(TH-UWB)无线通信系统通常采用RAKE接收技术。而信道估计的准确度直接影响系统接收性能。提出一种基于梯度的变步长的LMS算法进行信道估计。与传统LMS算法相比,改进的LMS算法可以获得更小的MSE(Mean Square Error)从而为接收机提供更精确的信道估计量。同时,结果也表明该算法提高了整个接收机性能,并获得更小的BER(Bit Error Rate)。

一种基于算子理论的去相关LMS自适应滤波算法

针对输入信号向量序列之间的相关性将显著降低LMS算法的性能这一问题,从算子的角度出发,提出了一种新的去相关LMS自适应滤波算法。通过将最新输入向量向以前所有时刻的输入向量序列所张成的线性空间的零空间作正交投影,达到提取新信息的目的,并以提取的新息作为LMS算法的更新方向向量。仿真分析表明,新算法具有收敛速度快、输出误差小以及对信噪比不敏感等特点,并且采用较低的滤波器阶数即可得到良好的滤波效果,同时提高算法的运算效率。

改进的自适应LMS算法

LMS(Least Mean Square)算法因其结构简单、稳定性好等优点,得到了广泛的应用,但在收敛速度和稳态失调之间存在着固有矛盾,通过对步长因子的调整可以克服这一矛盾。分析研究了已有的变步长LMS算法,在此基础上提出了一种改进的变步长LMS算法。理论分析和计算机仿真表明该算法不但具有较快的收敛速率,并且具有更小的稳态误差。

CEEMDAN结合LMS算法在轴承信号降噪中的应用

针对在强噪声背景中提取有用信号的问题,结合完整集成经验模态分解(CEEMDAN)与自适应滤波中的最小均方算法(LMS)发展一种新的算法。先将信号进行CEEMDAN分解,分解为多个模态分量(IMF),然后再使用LMS对每一个分量进行降噪,最后将降噪后的分量重构。通过仿真实验,验证了该方法可以消除大部分的噪声和干扰信号,且易于实现。最终将其应用于振动筛轴承故障诊断中,验证了该方法的可行性。

基于LMS算法的分数阶余弦变换算法研究

提出了一种基于最小均方(LMS)自适应算法的分数阶余弦变换的新算法。本算法把输入信号作为期望信号,N点离散形式的核函数进行加权求和作为输出,权向量由两者的最小均方误差进行自适应更新。通过理论推导证明,适当选取迭代参数可以使得权向量与N点的分数阶余弦变换存在变换关系。理论分析与仿真结果表明,这一算法能够很好地逼近Pei形式的结果,并大大减少了计算量。