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。

零吸引符号子带自适应滤波算法

现实生活中,普遍存在非高斯冲击噪声导致基于l_2范数的归一化子带自适应滤波算法(Normalised Subband Adaptive Filter,NSAF)性能退化甚至失效的问题,而符号子带自适应滤波算法(Sign Subband Adaptive Filter,SSAF)可有效克服此问题,在非高斯冲击噪声环境下改善算法性能。但是,该算法未考虑许多实际应用系统具有的稀疏特性。根据稀疏性的特点,在传统的符号子带自适应滤波算法中引入零吸引因子,使得算法在运算系统中占主要地位的小系数时具有更快的收敛速度,从而提高算法的整体收敛速度。仿真结果表明,提出的算法无论在非高斯还是在高斯噪声下,对稀疏系统均有较快的快敛速度和较小的稳态误差。

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.

基于稀疏系统辨识的改进的零吸引LMS算法

针对当前的稀疏最小均方(Least Mean Square,LMS)算法普遍存在的收敛速度和稳态均方差(Mean Square Deviation,MSD)不能同时达到一个较好状态的问题,提出了一种改进的零吸引最小均方(Improving Zero-attracting LMS,IZA-LMS)算法。在滤波器估计较大或较小的冲激响应时,IZA-LMS算法的零吸引函数分别采用重新加权的零吸引LMS(Reweighting ZA-LMS,RZA-LMS)算法的零吸引函数和改进的l_(0)-norm惩罚函数,使算法同时满足较快的收敛速度和较低的MSD值。理论分析和仿真证明,IZA-LMS算法比目前的诸多稀疏LMS算法的收敛速度更快且稳态MSD更低。

用于稀疏系统辨识的改进l_0-LMS算法

该文研究和改进了l0-LMS算法以提高对稀疏系统进行辨识的性能。首先依据均方误差反映出的收敛深度信息动态调节步长,提高了算法的收敛速度;其次利用估计误差绝对值加权修正零吸引函数,减小了稳态失调误差。然后定性分析了改进算法中各个参数的取值对收敛速度和稳态性能的影响。最后,计算机仿真验证了新算法的性能明显优于原l0-LMS算法和若干现有稀疏系统辨识的方法。

用于稀疏系统辨识的改进惩罚LMS算法研究

基于加权零吸引因子最小均方算法(RZA-LMS),提出了一种应用于系统辨识的新型自适应滤波算法(ARZA-LMS)。RZA-LMS通过在标准LMS算法迭代过程中添加零吸引因子,促进了滤波器小权系数的收敛,从而在辨识稀疏系统时,加快了算法的整体收敛速度。但是RZA-LMS算法中的零吸引因子,选择了固定的e,过于武断,降低了算法的鲁棒性。通过在参数e与误差信号e之间建立非线性关系,使零吸引因子在最小化MSE更具有灵活性,提出了一种改进的RZA-LMS,提高了对系统辨识的收敛速度和稳定性。最后,计算机仿真验证了新算法的性能明显优于原算法和若干现有稀疏系统辨识的方法。

协同中继通信系统稀疏信道估计算法研究

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。

用于稀疏系统辨识的低复杂度集员NLMS算法

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。

水声通信中稀疏信道均衡算法优化

为应对复杂的水声信道环境,提高信道均衡算法的收敛速度和误码率性能,文中提出了一种零值吸引稀疏控制成比例最小误码率判决反馈均衡算法。该算法在稀疏控制成比例最小误码率判决反馈均衡算法的基础上,通过在目标函数中加入近似l0范数的稀疏约束,迫使均衡算法在迭代过程中将幅值小的均衡器抽头向零值吸引,以加快均衡算法的初始收敛速度;同时在信道均衡过程中引入锁相环技术,以消除抖动相位噪声带来的影响。传统的锁相环技术都是基于最小均方误差准则的,但现有文献和相关实验仿真已经证明,当系统的均方误差最小时,误码率不一定最小。针对此问题,文中提出了一种基于最小误码率准则的锁相环相位追踪算法,并将其嵌入稀疏均衡算法中。在Matlab平台上,分别在实际采集的静态水声信道和实际时变水声信道条件下进行了实验,结果表明:加入近似l0范数约束的稀疏控制成比例最小误码率判决反馈均衡算法,在没有时变相位噪声影响下的收敛速度更快;在有时变相位噪声影响的信道条件下,基于最小误码率准则的锁相环相位追踪算法相较于基于最小均方误差准则的锁相环相位追踪算法,收敛速度更快,误码率性能更优。