α稳定分布噪声下的核最小平均P范数算法

在α稳定分布噪声环境下,最小平均P范数算法(LMP)的鲁棒性显著强于最小均方算法(LMS),但是在非线性系统中LMP算法性能严重退化。运用核方法可将输入数据映射到再生核希尔伯特空间(RKHS),再对变换后数据选用合适的线性方法,能有效地处理多种非线性问题。将核方法引入LMP算法,推导得到核最小平均P范数算法(KLMP)。α稳定分布噪声背景下的Mackey-Glass时间序列预测的计算机仿真结果表明,在非线性、非高斯系统中,KLMP算法的性能显著优于LMS、LMP、加权平均LMP和KLMS算法,抗脉冲噪声能力强。

利用迁移学习的量化核最小平均P范数算法

在α稳定分布噪声背景下,核最小平均P范数算法(KLMP)的性能显著优于核最小均方算法(KLMS),但KLMP算法的计算量和存储容量都随迭代次数线性增加,不便实际应用。针对此问题,该文应用迁移学习理论,将基于样本实例获得的总滤波器划分为具有局部紧支撑结构的子滤波器之和,每个子滤波器的训练分别受不同的输入驱动,提出了最近实例质心估计核最小平均P范数算法(NICE-KLMP);为进一步减小存储容量,将在线矢量量化应用到该算法中,提出最近实例质心估计量化核最小平均P范数算法(NICE-QKLMP)。α稳定分布噪声背景下的Mackey-Glass时间序列预测的仿真结果表明,NICE-KLMP和NICE-QKLMP算法的复杂度显著低于KLMP算法,抗脉冲噪声性能显著强于NICE-KLMS算法,与KLMP算法相当。

基于改进双曲正切函数的变步长最小平均p范数算法

在信号处理领域,传统的自适应滤波算法采用的固定步长会导致稳态误差和收敛速度无法同时兼顾。针对这个问题,对最小平均p范数(Least Mean p-norm,LMP)算法进行改进,提出了一种基于改进双曲正切(tanh)函数的变步长最小平均p范数算法。该算法利用改进的tanh函数来调节步长,采用移动加权平均法构造变步长函数;同时引入了一个调节函数以进一步提升算法的性能。通过在海洋脉冲噪声干扰下进行仿真,实验表明,与已有的固定步长和变步长算法相比,改进的变步长LMP算法较好地兼顾系统的收敛速度和稳态误差;引入调节函数后的新算法在保证原有算法收敛速度的同时进一步降低了算法的稳态误差,从而兼顾了算法的收敛性和稳定性,具有较好的可行性。

核递归最小平均P范数算法

在强脉冲噪声干扰背景中,核递归最小二乘(Kernel Recursive Least Square,KRLS)算法和核递归最大相关熵(Kernel Recursive Maximum Correntropy,KRMC)算法对非线性信号预测性能严重退化,对此提出一种核递归最小平均P范数(Kernel Recursive Least Mean P-norm,KRLMP)算法。首先运用核方法将输入数据映射到再生核希尔伯特空间(Reproducing Kernnel Hilbert Space,RKHS)。其次基于最小P范数准则和正则化方法,推导得到自适应滤波器的最佳权向量,其降低了非高斯脉冲和样本量少的影响。然后利用矩阵求逆理论,推导得到矩阵的递归公式。最后利用核技巧得到在输入空间高效计算的滤波器输出和算法的迭代公式。α稳定分布噪声背景下Mackey-Glass时间序列预测的仿真结果表明:KRLMP算法与KRLS算法和KRMC算法相比,抗脉冲噪声能力强,鲁棒性好。

核集员双归一化最小平均p范数算法

针对α稳定分布噪声中核集员归一化(KSM-NLMS)算法性能下降问题,提出了核集员归一化最小平均p范数(KSM-NLMP)算法和核集员双归一化最小平均p范数(KSM-BNLMP)算法。首先,将输入信号映射到再生核希尔伯特空间,在此空间基于集员滤波理论和最小p范数准则构造算法的代价函数。其次,根据最优解、误差方程和集员滤波约束条件,推导得到滤波器权向量的更新迭代公式。最后,利用核技巧得到滤波器输出和算法的迭代公式。非线性信道均衡的仿真结果表明,KSM-NLMP和KSM-BNLMP算法比KSM-NLMS算法具有更好的均衡效果。

一种变步长最小平均p范数自适应滤波算法

在α稳定分布脉冲噪声背景下,为解决固定步长最小平均p范数(LMP)不能同时满足快收敛速度和低稳态误差的问题,该文提出一种对脉冲噪声具有鲁棒性的变步长最小平均p范数(VSS-LMP)自适应滤波算法。该算法利用改进的变形高斯函数来调节步长,采用移动平均法构造变步长函数,克服了定步长算法稳态误差高及抗噪性能差的问题。VSS-LMP算法在系统受到脉冲噪声干扰时,能维持步长稳定;当系统逐渐稳定时,能产生小步长以降低稳态误差。系统辨识仿真结果表明,在α稳定分布脉冲噪声下,VSS-LMP算法与固定步长和已有变步长算法相比,具有更快的收敛速度和更强的系统跟踪能力。

基于P范数的核最小对数绝对差自适应滤波算法

为了进一步提高在α稳定分布噪声背景下非线性自适应滤波算法的收敛速度,本文提出了一种新的基于p范数的核最小对数绝对差自适应滤波算法(kernel least logarithm absolute difference algorithm based on p-norm,P-KLLAD).该算法结合核最小对数绝对差算法和p范数,一方面利用最小对数绝对差准则保证了算法在α稳定分布噪声环境下良好的鲁棒性,另一方面在误差的绝对值上添加p范数,通过p范数和一个正常数a来控制算法的陡峭程度,从而提高该算法的收敛速度.在非线性系统辨识和Mackey-Glass混沌时间序列预测的仿真结果表明,本文算法在保证鲁棒性能的同时提高了收敛速度,并且在收敛速度和鲁棒性方面优于核最小均方误差算法、核分式低次幂算法、核最小对数绝对差算法和核最小平均p范数算法.

脉冲噪声环境的一种递归全局最小平均P-范数算法

本文给出了适应于α 稳定噪声环境的一种递归全局最小平均P 范数算法 ,其可用于递归计算自适应滤波和系统辨识问题的全局最小平均P 范数算法 .针对α 稳定噪声的冲击性 ,本文所提出的自适应算法采用了有名的power迭代法 ,并通过计算机仿真比较了有关算法的性能 .

用于稀疏系统辨识的变步长加权零吸引最小平均p范数算法

在α稳定分布噪声背景下,为了提高稀疏系统自适应辨识算法的稳态性能,提出了基于无噪先验误差功率函数的变步长加权零吸引最小平均p范数基本算法(BVSS-RZA-LMP)和变步长加权零吸引最小平均p范数改进算法(IVSS-RZA-LMP).两种算法分别根据无噪先验误差功率和加权的无噪先验误差功率计算新的步长;步长随无噪先验误差功率的减小而逐渐减小.当算法达到稳态时, IVSS-RZA-LMP算法不再调整权矢量,改进了BVSSRZA-LMP算法稳态性能.α稳定分布噪声背景下的系统辨识仿真结果表明,当系统较稀疏时, IVSS-RZA-LMP算法能够在较快收敛的情况下获得非常小的稳态误差.

最小平均p范数算法在轴频电场检测中的应用

为了提高在运动平台下对舰船轴频电场的探测距离,需要深入研究舰船轴频电场的信号处理方法。在理论仿真、海上试验数据分析的基础上,对最小平均p范数(LMP)算法在轴频电场信号处理中的应用进行了研究。仿真结果表明,在非高斯背景下,LMP算法可以有效提高信噪比,且能够在低信噪比下对轴频电场进行有效检测。试验结果表明,对于非高斯噪声较强的海上运动平台,经LMP算法处理后的轴频电场信噪比相比于传统的最小均方(LMS)算法可大幅提高信噪比,从而可以进一步提高对轴频电场的检测距离。

引入梯度导引似p范数约束的稀疏信道估计算法

为克服l0和l1范数约束的最小均方算法在不同信道稀疏程度下对稀疏信道估计中出现的收敛性能起伏较大等缺点,提出一种新的似p范数约束的最小均方算法,通过在最小均方算法代价函数中引入p值可变的似p范数约束以适应信道的不同稀疏程度,并在验证代价函数凸性的基础上导出p值的梯度导引寻优。最后给出仿真实验及其讨论,实验结果表明了新算法的优越性。

α稳定分布噪声下基于梯度范数的VSS-NLMP算法

针对α稳定分布噪声环境下的自适应滤波问题,提出一种新的基于梯度范数的变步长归一化最小平均p范数(variable step-size normalized least mean p-norm,VSS-NLMP)算法。该算法首先对梯度矢量进行加权平滑,以减小梯度噪声的影响,然后利用梯度矢量能够跟踪自适应过程的均方偏差这一特点,利用梯度矢量的欧氏范数控制步长的变化。给出了新算法的迭代过程,然后对其收敛性进行分析,仿真结果表明本算法较现有变步长NLMP算法有更好的性能。

非高斯噪声环境中基于梯度范数的自适应滤波算法

针对传统最小均方类算法在非高斯噪声中自适应滤波性能下降的问题,提出了一种基于梯度范数的变步长归一化最小平均p范数算法。算法将α稳定分布作为非高斯噪声分布模型,依靠梯度范数与均方权值偏差(MSD)的关系自适应调整步长,加快收敛速度的同时减小稳态误差,理论推导证明了算法的有效性。仿真结果表明,在非高斯噪声条件下,该算法具有更好的收敛性能和抗突变能力以及更小的稳定误差。

一种α稳定分布噪声中非线性信道空间分集均衡算法

为改善α稳定分布噪声中非线性多径衰落信道均衡器的性能,提出一种α稳定分布噪声中非线性信道均衡算法。该算法针对α稳定分布噪声中的非线性多径信道,在传统空间分集技术的基础上引入核最小平均p范数算法。仿真实验结果表明,新算法的性能与多个接收机中均衡效果较好的均衡器保持一致,避免单个接收机接收时,由于其对应的信道质量太差而导致最终均衡效果不能满足实际需求的情况。

一种脉冲噪声下的自适应均衡算法

由单层神经自适应滤波器和Chebyshev正交多项式滤波器级联构成一个均衡器,基于此均衡器结构,提出一种基于分数低阶统计量的自适应均衡算法(称为NC-NLMP算法)。仿真结果表明,对线性信道和非线性信道,NC-NLMP算法的均衡性能均优于传统的FIR横向滤波器的自适应均衡算法和神经网络均衡算法;对于非线性信道,NC-NLMP算法的均衡性能远优于后两者;NC-NLMP算法对高斯噪声和稳定分布脉冲噪声都具有很好的均衡性能,对背景噪声韧性强。

Alpha稳定分布噪声下单路EP信号的动态提取方法

近年来的研究表明,采用α稳定分布模型来描述带噪EP信号比用常规的高斯模型具有更好的适应性。在α稳定分布噪声下,特别是当噪声的非高斯特性比较明显时,常规的基于二阶或高阶统计量的算法其性能将有所退化,甚至不能工作。本研究提出基于线性观测模型的数据复用最小平均p范数(DR-LMP)方法,并将之用于α稳定分布噪声下单路EP信号的动态提取。仿真结果表明,此方法能够在一定程度上减少提取EP信号时所需的刺激实验次数,实现单导EP信号的少次提取。当观测EP信号的信噪比大于-10dB时,此方法能够有效跟踪EP信号的变化,实现EP信号的动态提取。此外,本方法改变了二阶算法在分数低阶噪声下不收敛的缺点,在高斯噪声和分数低阶噪声下均具有良好韧性。

脉冲噪声下基于自适应特征值分解的时延估计新方法

依据分数低阶统计量理论和噪声特征,提出一种鲁棒性自适应特征值分解(RAED)时延估计方法,扩展了自适应特征值分解(AED)时延估计方法的使用环境.该算法在脉冲噪声环境下,组合两个接收信号,使其共变矩阵最小特征值对应的特征向量为信道的估计,并基于广义归一化最小平均p范数(广义NLM P)方法自适应得到该特征向量,从而获得时延估计.计算机仿真表明该方法在脉冲噪声环境下具有较好的鲁棒性.

基于分数低阶统计量的线性约束恒模盲自适应波束形成方法

为解决传统恒模波束形成算法在受冲击噪声污染的无线环境中的性能退化问题,本文提出基于分数低阶统计量的线性约束恒模盲自适应波束形成方法,并从理论上分析了算法收敛条件。仿真实验表明,在稳定分布噪声下,新方法具有比传统恒模波束形成方法更好的韧性,而且比线性约束最小平均P范数波束形成方法具有更高的输出信干噪比,即使在强脉冲干扰环境下新方法仍具有较好的信号恢复能力。

Alpha稳定分布噪声环境下新的类RLS自适应算法

给出在分数低阶Alpha稳定分布环境中一种新的类RLS自适应算法.由于Alpha稳定分布信号不存在有限的二阶和二阶以上矩,因此用最小p范数准则代替了传统的最小均方准则,并利用矩阵求逆定理提出一种直接递推的类RLS算法,避免了以往类RLS算法中的IRLS迭代计算,从而使算法的计算复杂度大大降低.最后对几种自适应算法进行仿真,并对其收敛特性进行了分析.结果表明,算法的收敛速度明显快于LMP和NLMP算法.

一种脉冲噪声下的鲁棒性自适应回波抵消方法

实际通信线路中脉冲性噪声常使得基于高斯噪声模型的经典自适应回波抵消方法的效果变差。针对该问题,提出了一种基于α稳定分布模型的鲁棒性自适应回波抵消方法(RAEC)。该方法采用α稳定分布建模脉冲噪声,在最小平均p范数准则下,利用自适应时间延迟估计器来抵消回波,不仅可以有效地抵消通信线路中含有高斯噪声的回波,而且对含有脉冲噪声的回波也有良好的抵消效果。理论分析和计算机仿真实验表明,RAEC是一种对脉冲噪声具有鲁棒性的自适应回波抵消方法。