基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

基于最小错误概率变步长的盲均衡算法

在分析了基于最小错误概率盲均衡算法的基础上,用牛顿梯度变步长算法实现了基于最小错误概率新的变步长盲均衡,克服了固定步长收敛速度和收敛精度之间的矛盾,加快了收敛速度,减小了稳态剩余误差。计算机仿真结果分别给出了4PAM,8PAM信号在典型电话信道和普通最小相位信道中牛顿梯度变步长算法与固定步长算法的收敛曲线。由两种算法收敛曲线的比较可以看出,新算法的收敛性能明显得到改善。     

变步长的LMS盲多用户检测

提出了一种变步长LMS自适应盲多用户检测算法,克服了定步长自适应算法的收敛步长与输入信号自相关矩阵特征值大小有关的缺点,使算法的步长能够随输入信号矢量的变化而变化,提高了算法的收敛性能,使其更加符合实际工作的需要。并通过计算机模拟仿真,比较了变步长算法和固定步长算法的性能。     

归一化LMS算法自适应滤波器的MATLAB仿真与DSP实现

固定步长LMS算法自适应滤波器在收敛速度与稳态误差之间存在矛盾,变步长LMS算法的步长因子是变化的,能够灵活避免此矛盾.分析了两种变步长LMS算法自适应滤波器基本原理,先使用MATLAB对其分别进行仿真,之后应用SZ-EPP5416评估板对其分别进行了DSP实现,仿真结果与DSP实现都表明变步长LMS算法改善了收敛速度与稳态误差间矛盾,但归一化LMS算法能更好地改善固定步长LMS算法的矛盾,具有更快收敛速度与更小稳态误差.     

基于修正常系数模板的变步长双模式盲自适应均衡算法

为解决修正常系数模板算法(MCMA)收敛速度缓慢的问题,在MCMA算法的基础上,给出了一种变步长双模式MCMA算法.改进算法在启动阶段用步长可变加快其收敛性,在收敛后转换到判决引导模式(DD),以保证算法收敛后稳态误差在可靠范围内.通过对实测信道的Monte-Carlo仿真,比较了MCMA算法和变步长双模式MCMA算法的性能,证明了该改进算法收敛速度快,稳态误差小.     

步长独立调整的LMS自适应滤波算法

本文提出了一种新的步长独立调整的 LMS 自适应滤波算法.我们由最优步长约束式入手,导出了此种算法的公式,分析了新算法的收敛及失调,证明了新算法收敛快、失调小。     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

基于MSE变换的变步长恒模盲均衡算法

在介绍恒模盲均衡算法基础上,提出一种新的变步长恒模盲均衡算法,算法中的步长由MSE经变换后控制。新算法解决了传统恒模算法中,由于采用固定步长而造成的收敛速度与收敛精度之间的矛盾。理论分析和计算机仿真实验均表明该算法与传统的恒模算法相比,都具有更快的收敛速度和更小的稳态剩余误差。     

基于梯度矢量平均值的变步长恒模盲均衡算法

提出了一种新的变步长恒模盲均衡算法。新算法采用梯度矢量平均值的平方值作为调整步长的参量,解决了传统恒模算法(CMA:Constant Modulus Algorithm)中,由于采用固定步长而造成的收敛速度与收敛精度之间的矛盾。理论分析和计算机仿真实验均表明,新算法与传统的恒模算法相比,具有更快的收敛速度和更小的稳态剩余误差。     

基于加权平均梯度的变步长LMS算法

为了尽可能减少影响变步长LMS算法性能的因素,提出了基于加权平均梯度的变步长LMS算法.该算法的滤波器权系数在收敛的过程中自适应接近最优权矢量,算法利用平滑梯度矢量的欧式范数和瞬时误差控制步长更新,并从理论上分析了算法的稳态误差.与其他几种变步长LMS算法对比,该算法的收敛速度最快、稳态误差最小.     

基于瑞利分布的变步长常模盲均衡算法

针对常模算法(CMA)及基于剩余误差非线性变换变步长常模算法(REVCMA)收敛速度慢的缺点,提出了以误差函数为随机变量、以瑞利分布为变步长,构造了基于瑞利分布的变步长常模盲均衡算法(RDVCMA)。该算法的变步长有两个参数,通过调整该参数,可以加快收敛速度。分别用4QAM及4PSK信号,通过典型电话信道,对算法进行了仿真研究。结果表明,在同样的稳态误差条件下,新算法具有比CMA及REVCMA更快的收敛速度。     

一种新的变步长自适应最小均方算法

提出了一种根据滤波器系数梯度差值的自相关来计算步长的新的变步长自适应LMS算法。分析了算法的收敛性能和稳态特性,给出了算法参数选择的原则。由实验验证了该算法具有良好的收敛性能和跟踪特性,特别是在输入信号相关的情况下,该算法显示出比标准LMS算法和其它变步长算法的优异性能。     

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     

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。     

变步长动量常数模算法

为解决常数模算法中稳态误差与收敛速度间的矛盾,将动量项与变步长因子引入到常数模算法中,由稳态误差和上一步步长共同影响当前步长因子,在权系数更新时考虑到了动量项的影响,提出了变步长的动量常数模算法.改进后算法在计算量增加不大的前提下,与原算法相比,具有更快的收敛速度和更小的稳态误差.     

基于双曲正切函数的智能天线变步长LMS算法

提出一种基于双曲正切函数的智能天线变步长最小均方（LMS）算法. 通过建立步长因子与误差信号的双曲正切函数关系改进LMS算法, 解决了固定步长时收敛速度和稳态误差间的矛盾. 仿真结果表明, 所提出的变步长最小均方算法比标准的最小均方算法有更快的收敛速度和更小的稳态误差.     

一种改进的PNLMS自适应滤波算法

比例归一化最小均方算法PNLMS(proportionate NLMS)引入步长控制矩阵,为滤波器不同的系数赋予不同的Proportionate步长,从而加快了算法的初始收敛速度,但其后期收敛速度下降,甚至比NLMS收敛速度还慢.针对此问题提出一种改进的PNLMS算法,通过定量分析滤波器系数的收敛过程,在迭代过程中建立了Proportionate步长与滤波器当前系数幅值之间的非线性函数关系——倒数关系,较大幅度地降低了算法的复杂度.仿真结果表明,该算法的收敛速度和稳定性优于PNLMS算法及其改进算法MPNLMS,并且算法的计算复杂度远低于MPNLMS算法.     

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。     

应用于助听器反馈抑制系统的变步长归一化子带自适应滤波算法

为减小自适应滤波算法中较快的收敛速度与较低的失调量之间的矛盾,提出了一种变步长归一化子带自适应滤波(VSS-NSAF)算法,并将其用于助听器声反馈抑制系统.该算法基于滤波器系数短时平均和长时平均之间的归一化距离,将滤波器的更新状态分为收敛状态、过渡状态和平稳状态.滤波器可在不同更新状态下自适应地使用不同步长,收敛状态下使用大步长以保证快速收敛,过渡状态下则使用逐步减小的阶梯状步长以进一步降低失调量,平稳状态下使用小步长以保证系统收敛至稳态解.仿真实验结果表明,与传统的归一化最小均方误差(NLMS)算法及其他子带自适应滤波算法相比,所提算法的收敛速度更快,平均稳态失调量更低.