基于梯度向量的变步长LMS算法

传统的最小均方误差(Least Mean Square)算法难以同时获得较快的收敛速度和较小的稳态误差。本文在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,通过建立步长参数与梯度向量之间的一种新的非线性函数关系,提出一种改进的变步长LMS算法。分析和仿真表明,改进后的算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

变步长等变自适应盲源分离算法

针对传统盲源分离(BSS)算法采用固定步长难以同时兼顾收敛速度和稳态误差的难题,采用等变自适应盲源分离(EASI)算法,提出了一种基于分离指标的变步长等变自适应盲源分离算法(VS-SI)。该算法利用EASI收敛条件,构造表征信号分离程度的分离指标,并设计带遗忘因子的更新算法,以减小历史数据误差的影响,实现分离指标的自适应计算,并采用一个非线性单调递增函数实现步长的自适应调节。通过与固定步长的自然梯度算法(FS-NG)、固定步长的EASI算法(FS-EASI)、步长指数衰减算法(EDS)和基于权重正交约束变步长算法(AS-WO)的性能进行对比,结果表明,在无噪声和有噪声两种情况下,提出算法均有较快的收敛速度,最终性能指标分别减小了15%和20%以上,同时兼顾稳态误差和收敛速度,具有较好的数值鲁棒性。     

一种变步长符号梯度脉冲噪声对消算法

针对最小均方误差(least mean square,LMS)自适应噪声对消器在脉冲噪声干扰条件下实现噪声对消失效的问题,提出了一种变步长符号梯度最小均方误差(variable step size sign LMS,VSSLMS)脉冲噪声对消算法?VSSLMS算法利用符号函数对误差信号?参考噪声信号取符号运算构成符号梯度? 符号算子的量化操作可以抑制脉冲噪声对自适应算法的影响,为进一步提高VSSLMS脉冲噪声对消性能,采用误差功率归一化准则设计步长控制函数,给出了一种变步长算法,该算法能减小由于符号算子引入的量化误差对收敛速度和收敛精度的影响?利用计算机仿真把提出的VSSLMS脉冲噪声对消算法与改进的归一化LMP算法(MNLMP)进行了比较,结果表明,VSSLMS算法具有更快的收敛速度,同时具有与MNLMP算法相近的稳态剩余误差?因此,VSSLMS算法在脉冲噪声对消中具有实际应用价值?     

自适应变步长恒包络算法AS-CMA用于DS/CDMA中盲干扰抑制

基于直接序列码分多址(DS／CDMA)系统中的多址干扰(MAI)和窄带干扰(NBI)，提出了一种变步长盲恒包络算法(AS-CMA)，并同自适应变步长最小均方算法(AS-LMS)进行了比较。仿真结果表明，AS—CMA算法能够自动地适应环境的变化，收敛性和稳定性均优于AS—LMS算法。     

最优变步长最小均方模型和实现算法

为了解决最小均方(leastmeansquare,LMS)算法中收敛速度和稳态误差之间的矛盾,在独立假设的条件下,从滤波器系数均方误差的角度,提出了最优步长定理,证明了最优步长和均方误差之间存在一一对应的关系。并以此构造了最优变步长LMS(optimalvariablestep-size,OVS-LMS)模型。推出了最优步长的递推式,讨论了最优初始化相对步长的选取方法。综合以上的分析结果,提出了该模型的实现算法。计算机仿真证明了该算法和OVS-LMS模型的学习曲线是非常相近的,因而该算法在独立假设条件下是最优的变步长LMS算法。     

新的变步长归一化最小均方算法

为了解决最小均方 (L east Mean Square,L MS)算法收敛速度和稳态误差之间的矛盾 ,提出了一种新的变步长归一化 (Norm alized) L MS(NL MS)算法。这种算法根据滤波器系数的梯度计算新的步长。当算法尚未收敛时 ,使用较大的步长 ;随着收敛程度的加深 ,逐渐减小步长。试验显示了该算法具有很好的收敛性能和跟踪性能。与其它的变步长L MS算法相比 ,该算法在标准 NL MS算法基础上增加的运算量和存储量都很少且与阶数无关 ;而且该算法的参数受观测噪声的影响很小 ,在观测噪声强度发生变化的情况下不需要重新调整参数 ,仍然可以保持很好的收敛性能     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

结合广义Armijo步长搜索的带误差项的记忆梯度算法

对非线性无约束规划提出了结合广义Armijo步长搜索规则的一类带误差项的记忆梯度求解算法,在目标函数梯度一致连续的条件下,证明了算法的全局收敛性,同时给出带误差项的结合拟-Newton方程的记忆梯度算法.数值结果表明算法是有效的.     

提取正弦信号参数的非线性寻优最小二乘算法

提出一种非线性动态寻优的最小二乘算法(LMS)，以高效地估计正弦信号幅值、相位和直流偏置．利用随机逼近理论中的Kiefer-Wolfowitz定理，提高了非线性梯度法搜索LMS估计量极值的收敛速度．以整周期内采样均值为迭代初值，迭代步长的选择根据各参数的差异分别选取，并采用修正因子以加快迭代的收敛速度，设置最大步长防止算法溢出．仿真表明，在计算量相当的情况下，该算法参数估计精度明显优于传统LMS.     

一种基于交互投影原理的快速自适应横向传播建模算法

针对最小均方建模算法用于长记忆有限脉冲响应滤波器模型时收敛速度慢的问题,提出了基于交互投影原理的横向传播建模算法(简称为TPLMS算法).该算法将滤波器按质因数分解为多组滤波器组合,从最短的子滤波器分组开始迭代,逐步过渡到原滤波器,在每一时刻,采用最小均方算法顺序求解分组内各子滤波器的权系数.在迭代过程中,由于滤波器的长度缩短,从而可采用更大的步长,使权系数以更快的速度收敛.随着子滤波器长度的逐步增加,可以逐步减小迭代步长,从而得到较低的失调误差.仿真结果表明,TPLMS算法的收敛速度优于传统的最小均方算法和变步长最小均方算法.该算法收敛速度快,特别适用于长记忆有限脉冲响应滤波器模型的自适应建模.     

多入多出系统中一种新的部分极大似然算法

提出了一种新的应用于多入多出(MIMO)系统的结合最小均方误差串行干扰消除(MMSE-SIC)的部分极大似然(ML)算法.该算法对一部分符号进行ML估计,并结合MMSE-SIC算法对其他符号进行检测,最后选择与接收信号欧式距离最小的一组符号向量作为解调输出.仿真结果表明,在4发4收V-BLAST系统中BER=10-2处,所提出算法比传统的MMSE-SIC算法有大约4 dB的性能增益,甚至接近于ML算法的性能,而且对于空间相关也具有较强的鲁棒性.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

块对角化多输入多输出系统用户选择新算法

针对抑制邻小区干扰的多输入多输出块对角化系统,提出了一种新的低复杂度用户选择算法.该方法通过贪心搜索迭代地选择用户,在每一步中选择使小区系统容量增加最大的用户,并自适应地调整服务用户数而使小区系统容量最大化.仿真结果表明,该算法在高信噪比下可以达到穷举搜索约99%的小区系统容量,在低信噪比下该算法和穷举算法系统的容量几乎相同.     

单载波频域均衡系统中的PN信道估计算法

提出了一种基于伪噪声（PN：Pseudo Noise）序列循环相关的信道估计算法,并将之应用于单载波频域均衡系统中。将新信道估计算法与2种典型的频域信道估计算法进行对比研究发现：新算法可更好的兼顾性能与计算复杂度。将新算法用于SC-FDE系统时,研究了基于干扰消除的接收处理流程,并提出了发送的所有PN导频序列都相同时的简化接收处理步骤。仿真表明：干扰消除流程和新的信道估计算法可以使系统性能接近信道完全已知时的系统性能。     

ELM岭回归软测量建模方法

ELM(极限学习机)是一种新型的前馈神经网络,可有效处理函数的回归问题.针对ELM学习算法隐含层输出可能存在的复共线性问题,提出了ELM岭回归(ELMRR)软测量建模方法.该算法利用岭回归方法代替原有的线性回归算法,以误差平方和均值为性能指标,采用粒子群优化算法确定最佳岭参数,克服了传统岭回归算法最佳岭参数难以确定的缺...     

一种新的结合奖励机制的ETLBO算法

通过对原ETLBO(elitist teaching learning based optimization)算法引入一种新的奖励机制, 提出一种新的结合奖励机制的ETLBO-reward算法, 并基于该算法提出一种简单自适应的精英个数算法RETLBO reward, 该算法保留了传统算法参数少、 易实现、 收敛快等优点, 进一步提升了传统算法的收敛能力. 对6个连续非线性优化问题的测试结果表明, 这两种算法均具有良好的性能, 求解效率较原ETLBO算法有明显提升.     

一种新的结合奖励机制的ETLBO算法

通过对原ETLBO(elitist teaching learning based optimization)算法引入一种新的奖励机制, 提出一种新的结合奖励机制的ETLBO-reward算法, 并基于该算法提出一种简单自适应的精英个数算法RETLBO reward, 该算法保留了传统算法参数少、 易实现、 收敛快等优点, 进一步提升了传统算法的收敛能力. 对6个连续非线性优化问题的测试结果表明, 这两种算法均具有良好的性能, 求解效率较原ETLBO算法有明显提升.     

自适应噪声对消中的ELMS算法及其变步长算法

基于对ＬＭＳ算法的研究,提出一种适用于自适应噪声对消（ＡＮＣ）系统的ＥＬＭＳ算法结构,分析比较了ＥＬＭＳ算法与ＬＭＳ算法的统计性能,还提出了一种较为实用的变步长归一化ＭＶＳ－ＡＮＥＬＭＳ算法．大量的计算机模拟仿真论证了新算法的优越性．     

A new satellite to satellite tracking algorithm from Doppler-shifted frequency measurements

A new satellite to satellite tracking (SST) algorithm from Doppler-shifted frequency measurements is proposed. The estimation principle is demonstrated and the mathematic model of SST is established. The state estimation methods for a user (the cooperative case) and target satellites (the non-cooperative case) are presented based on particle swarm optimization (PSO). The Cramer-Rao lower bounds (CRLB) are deduced as well. Performance of the new algorithm is validated through computer simulations, which proved that the proposed method is effective in terms of the estimation quality compared with CRLB and superior in accuracy to the Bearings-Only (BO) method in almost all simulation cases except for the case that an enough long tracking arc-length is obtained for a user satellite.     

A new satellite to satellite tracking algorithm from Doppler-shifted frequency measurements

A new satellite to satellite tracking (SST) algorithm from Doppler-shifted frequency measurements is proposed. The estimation principle is demonstrated and the mathematic model of SST is established. The state estimation methods for a user (the cooperative case) and target satellites (the non-cooperative case) are presented based on particle swarm optimization (PSO). The Cramer-Rao lower bounds (CRLB) are deduced as well. Performance of the new algorithm is validated through computer simulations, which proved that the proposed method is effective in terms of the estimation quality compared with CRLB and superior in accuracy to the Bearings-Only (BO) method in almost all simulation cases except for the case that an enough long tracking arc-length is obtained for a user satellite.