针对无线协同通信系统,采用基于加权零吸引最小均方(Reweighted Zero-Attracting Least Mean Square,RZA-LMS)算法,在信道稀疏度未知的情况下进行信道估计,该算法通过在代价函数的惩罚项中引入基于对数的稀疏约束项,使得自适应过程具有...针对无线协同通信系统,采用基于加权零吸引最小均方(Reweighted Zero-Attracting Least Mean Square,RZA-LMS)算法,在信道稀疏度未知的情况下进行信道估计,该算法通过在代价函数的惩罚项中引入基于对数的稀疏约束项,使得自适应过程具有吸引零滤波器系数的能力,通过自适应滤波和最小均方估计可实现系统的稀疏度辨识与信道重构。与其他线性信道估计方法相比,该方法能够有效挖掘并利用无线系统的稀疏结构,进而提高信道估计的性能,算法具备计算复杂度低、易于实现等特点。展开更多
针对现有的稀疏集员(SM,Set-Membership)自适应滤波算法,普遍存在稳态均方偏差(MSD,Mean Square Deviation)的稳定性较低及运算复杂度较高等问题,提出了一种新颖的稀疏集员NLMS(NLMS,Normalized Least Mean Square)算法。该方案提出一...针对现有的稀疏集员(SM,Set-Membership)自适应滤波算法,普遍存在稳态均方偏差(MSD,Mean Square Deviation)的稳定性较低及运算复杂度较高等问题,提出了一种新颖的稀疏集员NLMS(NLMS,Normalized Least Mean Square)算法。该方案提出一种运算复杂度更低的零吸引(ZA,Zero-attracting)惩罚函数,使算法对稀疏信道的估计更为合理。在多种稀疏信道仿真中,与目前的稀疏集员算法相比,所提算法的稳态MSD更低且稳定性更高。最后,将所提算法应用于声波信号的稀疏系统辨识中,比目前的稀疏集员算法更具有优势。展开更多
文摘针对无线协同通信系统,采用基于加权零吸引最小均方(Reweighted Zero-Attracting Least Mean Square,RZA-LMS)算法,在信道稀疏度未知的情况下进行信道估计,该算法通过在代价函数的惩罚项中引入基于对数的稀疏约束项,使得自适应过程具有吸引零滤波器系数的能力,通过自适应滤波和最小均方估计可实现系统的稀疏度辨识与信道重构。与其他线性信道估计方法相比,该方法能够有效挖掘并利用无线系统的稀疏结构,进而提高信道估计的性能,算法具备计算复杂度低、易于实现等特点。
文摘针对现有的稀疏集员(SM,Set-Membership)自适应滤波算法,普遍存在稳态均方偏差(MSD,Mean Square Deviation)的稳定性较低及运算复杂度较高等问题,提出了一种新颖的稀疏集员NLMS(NLMS,Normalized Least Mean Square)算法。该方案提出一种运算复杂度更低的零吸引(ZA,Zero-attracting)惩罚函数,使算法对稀疏信道的估计更为合理。在多种稀疏信道仿真中,与目前的稀疏集员算法相比,所提算法的稳态MSD更低且稳定性更高。最后,将所提算法应用于声波信号的稀疏系统辨识中,比目前的稀疏集员算法更具有优势。