一种基于LMS的改进变步长算法及其应用

在分析定步长LMS算法和变步长LMS算法的基础上,提出了一种改进的LMS算法,改进的LMS算法是利用瞬时误差的绝对值的三次方和遗忘因子共同来调整步长的.理论分析和系统辨识的仿真结果均表明,新算法确实具有更快的收敛速度.     

基于双曲正弦函数的新变步长LMS算法

对自适应最小均方误差(LMS)滤波算法的步长选取问题进行了研究.在分析现有变步长LMS算法的基础上,通过对双曲正弦函数进行数学变化,构造步长因子u(n)与误差信号e(n)的函数,提出了一种基于双曲正弦函数的新变步长LMS算法,分析了参数a、b、c的选取对该算法性能的影响.仿真结果表明:该算法在收敛速度和稳态误差方面明显优于固定步长LMS算法及SVS-LMS算法.     

变步长凸组合LMS自适应滤波算法及分析

针对现有变步长凸组合LMS(VSCLMS)算法需预先决定行为参数的问题,提出了一种新的VSCLMS算法. 该算法对变步长滤波器按步进行分析,以最大均方权值偏差准则为步长选择依据,对固定步长滤波器则采用稳态最小均方误差准则为步长选择依据. 理论分析与仿真实验表明,该算法能在噪声、时变、甚至非平稳的环境下保持良好的随动性能,并在收敛的各个阶段均保持快速而稳定的均方特性. 与现有VSCLMS及CLMS算法相比,具有更快的收敛速度,且稳态均方性能与跟踪性能均更好.     

一种新的变步长LMS算法及其仿真

在分析传统LMS算法及其改进算法的基础上，提出了一种新的可变步长LMS算法，新算法采用梯度矢量的平均值的平方值调整步长．计算机仿真表明，与传统LMS算法和文献[1]中的VSS-LMS算法相比，新算法有更快的收敛和跟踪速度，并能收敛到更小且更稳定的均方误差。     

VoIP回声消除中LMS改进算法的研究

为解决Vo IP中语音回声问题,给出了一种改进的变步长LMS算法.改进算法在收敛时具有较大的步长,能快速消除回声,收敛后,步长变小,以减小稳态误差,使收敛速率与稳态误差之间的矛盾得到改善.仿真结果表明,改进算法的收敛速度和回声消除效果较好.     

自适应变步长并行Laguerre盲均衡算法研究

深衰落信道会引起抽头系数长和误码率高等问题.在分析现有滤波器结构及盲均衡算法的基础上,提出了自适应变步长并行Laguerre盲均衡算法.该算法采用Laguerre序列代替传统抽头延迟,缩短了抽头系数,并借助判决引导算法和分数间隔思想,加快了算法收敛速度.鉴于步长因子对盲均衡器收敛速度、剩余码间干扰影响较大,对不同自适应步长算法进行了分析和比较.在此基础上提出了适用于高速通用数据链信号盲均衡的步长修正方案.实验表明该算法较传统算法在收敛速度、误码性能方面均有所提升.     

引入动量因子的双自适应自然梯度算法

为克服自然梯度算法收敛速度和稳态误差之间的矛盾,提出了一种引入动量因子的双自适应自然梯度算法,该算法将动量因子分别引入到自然梯度算法的步长因子和分离矩阵中,并根据实时分离度自适应调整动量因子,从而在加快算法收敛速度的同时,降低稳态误差.仿真实验证明,提出的新算法的性能明显优越与固定步长和自适应步长自然梯度算法.     

一种改进的LMS算法的研究与仿真

为解决最小均方误差算法中收敛速率和稳态误差之间相互制约的问题,在NLMS算法基础上提出了一种改进的LMS算法.改进算法通过引入调节因子和修正系数,使算法在收敛时和稳定时能够很好地改善收敛速率与稳态误差之间的制约关系.实验结果表明,相对于传统LMS和NLMS算法,新方法在改进收敛速率和稳态误差间关系效果更好.     

改进的凸组合变阶数LMS自适应滤波

滤波器的参数设置和信噪比强弱会影响变阶数自适应最小均方(least mean square,LMS)算法的性能,在噪声环境未知的情况下,变阶数LMS的稳态性能是衡量滤波器好坏的重要指标.在分析凸组合分数阶变阶数LMS自适应滤波算法稳态性能的基础上,提出一种变宽度凸组合变阶数自适应滤波算法.理论分析和仿真结果表明,在噪声环境未知情况下,所提算法相比于凸组合分数阶变阶数自适应滤波算法和变误差宽度的分数阶变阶数自适应滤波算法而言,有更好的环境自适应能力、更快的收敛速度和更好的阶数稳定性,具有实用性.     

一种基于LS准则和L阶输入矢量的自适应算法

提出了一种新的基于LS准则和L阶输入矢量的自适应滤波算法．该算法采用新的梯度计算公式，使自适应滤波中权矢量的更新比LMS精确和平滑．仿真表明经过250次迭代，新算法就可以收敛于最优值1．6．新算法与基本的解相关LMS算法（DLMS）和LMS算法相比，收敛速度快、稳定性更好．并给出了新算法、DLMS算法和LMS算法性能曲线仿真结果．     

基于LS的梯度迭代最陡下降算法GISDA

提出了一种基于LS准则、利用梯度迭代的最陡下降算法GISDA（Gradient Iteration Steepest Descent Algorithm，GISDA）．该算法在梯度计算上比LMS精确．新算法与传统的最陡下降算法相比，具有运算量小、容易实现等优点．GISDA算法比LMS算法收敛速度快、稳定性更好．并给出了GISDA算法和LMS算法性能比较的计算机仿真结果和结论．     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

改进的复值非高斯最大化盲源分离算法

复值非高斯最大化盲源分离算法的收敛速度,受其采用的反双曲正弦函数计算复杂度的影响较大,针对这一问题,提出了一种收敛速度更快的改进型复值非高斯最大化算法。该算法采用一个低计算复杂度的非线性函数替代原算法中的反双曲正弦函数。该函数的计算复杂度是反双曲正弦函数的三分之一。在相同条件下,基于该非线性函数的复值非高斯最大化盲源分离算法的收敛速度相比原算法提高了1倍左右,更适合于对接收信号进行实时处理,而且信号分离误差小,同时该算法同样适用于任意非高斯的常态和非常态信源。仿真试验验证了算法的有效性。     

瑞利衰落信道中OFDM自适应频率同步算法

提出了一种新的频偏差值表达式,在此基础上构造了自适应跟踪算法,对频偏进行跟踪,从而减小OFDM系统中载波频率偏差对系统性能的影响,并运用该算法对瑞利衰落信道中多种时变频偏的情况进行了仿真,获得了频偏跟踪曲线.理论分析和仿真结果表明,由于算法复杂度低,收敛速度快,对时变频偏的跟踪达到了较好的效果.将跟踪到的频偏补偿后,提高了系统解调性能.     

一种新的抑制窄带干扰的时域均衡算法

通过对维纳滤波中最速下降法的分析,提出了一种新的AJ(anti-jamming) LMS时域均衡算法.该算法基于估计出的信道参数,对均衡器的权系数进行自适应调整.理论分析和仿真结果表明,虽然AJLMS算法的计算量比LMS算法有所增加,但它的抗窄带干扰性能得到了明显提高.     

混合指数分布恒加应力下的ＭCEM加速算法

应用Monte Carlo EM(简称MCEM)加速算法改进了混合指数分布在恒加应力水平下的参数估计,并通过模拟试验说明利用Monte Carlo EM加速算法来估计混合指数分布比EM算法更有效,收敛速度更快.     

线性方程组的神经网络算法

研究了线性方程组AX=b的神经网络算法,该算法加快了神经网络的收敛速度,大大提高了计算速度,并且该算法对奇异方程组也是有效的。