基于相关特性的改进G-SVSLMS算法

为解决改进的基于Sigmoid函数变步长最小均方(G-SVSLMS)算法步长更新公式易受噪声干扰的问题,根据高斯白噪声相关性比较差的特性,对G-SVSLMS算法进行改进,提出基于相关特性的改进G-SVSLMS算法,使算法的抗噪声干扰能力明显增强。理论分析和仿真结果表明:若两算法选取相同参数,则基于相关特性的改进G-SVSLMS算法相对于G-SVSLMS算法具有小的稳态误差;在保证算法收敛的条件下,基于相关特性的改进G-SVSLMS算法相对G-SVSLMS算法具有较快的收敛速度。

基于零均值特性的改进G-SVSLMS算法

为解决改进的基于Sigmoid函数变步长最小均方(G-SVSLMS)算法步长更新公式易受噪声干扰的问题,根据高斯白噪声的零均值特性,对G-SVSLMS算法进行改进,提出基于零均值特性的改进G-SVSLMS算法,使算法的抗噪声干扰能力明显增强。理论分析和仿真结果表明:若两算法选取相同参数α、β,则基于零均值特性的改进G-SVSLMS算法相对于G-SVSLMS算法具有小的稳态误差;在保证算法收敛的条件下,基于零均值特性的改进G-SVSLMS算法相对于G-SVSLMS算法具有较快的收敛速度。

基于改进的SVSLMS算法的语音识别系统研究

为了克服固定步长LMS算法固有的收敛速度与稳态误差之间的矛盾,在传统SVSLMS算法的基础上提出了改进的SVSLMS算法。通过理论分析和仿真研究的方法,给出了该算法中各个参数的选取方法,并确定了适用于本文所采用的语音样本库的参数最佳值。对固定步长LMS算法、传统SVSLMS算法以及提出的改进的SVSLMS算法进行了仿真对比。仿真结果表明,提出的改进的SVSLMS算法在降噪性能、收敛速度和稳态误差这3个方面都优于其余两种算法,有效的提高了语音识别系统的准确性和稳定性。

基于改进型SVSLMS算法的谐波电流检测方法

分析了传统基于Sigmoid函数变步长最小均方(Sigmoid Variable Step-size Least Mean Square,SVSLMS)谐波电流检测方法产生稳态误差的原因,提出了一种改进型SVSLMS谐波电流检测方法。该方法重新定义和选择反馈误差系数,通过采用一种选频滤波器对原始反馈误差进行滤波处理,减小对检测性能的影响,进一步提高谐波检测响应速度和稳态精度。仿真结果验证了该方法的有效性和实用性。

基于箕舌线的变步长LMS自适应算法

通过建立步长因子μ与误差信号 e之间的非线性关系 ,提出一种新的基于箕舌线的变步长 LMS算法 ,并将其应用于通信降噪。该算法除了具有传统固定步长 LMS算法计算量小、稳定性较好、简单、易于实时处理等优点外 ,计算机仿真结果表明 ,其收敛速度、稳定性以及跟踪速度优于 SVSLMS算法和 NLMS算法 ,且不需进行指数运算 ,计算复杂度低于 SVSLMS算法 ,用于通信降噪取得了较好的效果。

一种新的变步长LMS自适应滤波算法

提出了一种新的变步长算法。理论分析与仿真结果表明 ,该算法的性能要优于传统的LMS(LeastMeanSquare)算法和SVSLMS(SigmoidVariableStep sizeLeastMeanSquare)算法。

一种改进的变步长LMS算法及在车内降噪中的应用

为了提高传统最小均方(LMS)算法的收敛速度,减小稳态误差,基于Sigmoid函数,提出一种改进步长因子μ的方法。该方法通过建立步长因子μ和误差信号e之间的非线性函数关系,并利用指数函数表示误差信号e和可控参数,实现对步长因子μ进行调整。算法收敛初期步长因子μ相对较大,实现加快算法收敛速度的目的;算法收敛后期适度减小稳态阶段步长因子μ,以达到减小算法稳态误差的目的。将该算法应用于车内噪声的有源控制,并与LMS算法进行仿真比较分析。仿真结果表明,相对于传统LMS算法,该算法有效地加快了收敛速度,同时提高了系统的稳定性。