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.     

一种新的变换域变步长批处理LMS算法及其应用

将变换域LMS算法和变步长LMS算法及批处理LMS算法相结合,提出了一种新的变换域变步长批处理LMS自适应算法,该算法融合了前面3种算法的优点,可以有效地降低输入信号的自相关程度,克服了固定步长因子所导致算法在快的收敛速度和较低的稳态误差之间存在的矛盾,并且实时性较好。计算机仿真结果表明该算法具有更快的收敛速度和更小的失调噪声,可以有效地应用于自适应收发隔离系统。     

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.     

一种基于正弦函数的新变步长LMS算法

为解决传统LMS算法由于固定步长,在解决稳态误差与收敛性之间关系时始终处于矛盾状态的问题,在对固定步长LMS算法分析的基础上,根据变步长LMS算法的步长调整原则,通过构造步长因子μ(n)与误差信号e(n)的非线性函数,提出了一种基于正弦函数的新变步长LMS算法,并且分析了参数取值对算法性能的影响.理论分析和仿真结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS算法和SVS-LMS算法.     

一种可变步长LMS算法及其性能分析

提出了一种自适应可变步长最小方差算法（ANVSS），以解决基本最小方差算法LMS中收敛速度和稳态误差之间的矛盾．该算法利用当前和过去共m（滤波器阶数）个误差信息，并通过引入修正系数ρ和遗忘因子λ（i），来确定下一步的迭代步长．文中对这种算法进行了分析和仿真验算．对比一般的变步长算法，ANVSS算法对于平稳过程中的滤波器能获得更快的收敛速度和更小的稳态误差，同时还具有较好的跟踪跃变系统的能力．     

一种新的变步长LMS算法

对已有的一些变步长LMS自适应滤波算法进行了分析,在此基础上提出一种改进的变步长LMS算法.该算法建立了步长因子与误差信号和权系数变化之间的非线性函数关系,从而使权向量异步更新达到最佳.仿真结果表明,该算法具有更快的收敛速度,更小的稳态误差及更平稳的收敛过程.     

一种新型的迭代变步长LMS算法及性能分析

为解决现有固定步长和变步长类最小均方(Least Mean Square,LMS)算法在跟踪时变系统中存在的收敛速度慢、稳态失调误差较大的缺陷,提出了一种基于S-L(Sigmoid-Logistic)函数的迭代变步长LMS算法.首先,采用Sigmoid二次型函数构建步长因子的动态调整规则,实现不同误差情况下的自适应稳态调谐;然后通过Logistic函数建立误差信号与迭代时间的联合非线性函数,作为步长因子的控制前端输入信号,从而能够兼顾稳态误差与迭代时间对步长因子的修正作用.仿真结果表明,该方法能够在快速收敛情况下获得较小的稳态失调误差,对未知、时变系统表现出了较快的收敛速度和跟踪精度.     

基于归一化LMS算法的自适应滤波器设计

归一化LMS(NLMS)算法是一种变步长的LMS算法,比LMS算法具有更快的收敛速度.采用Altera 公司的仿真软件DSP Builder和QUARTUSII7.2,进行归一化LMS算法的自适应滤波器的现场可编程门阵列(FPGA)设计.     

基于反双曲正切函数的变步长LMS算法

针对定步长的LMS算法无法同时满足低稳态误差和快收敛速度这个需求,本文提出了一种基于反双曲正切函数的变步长LMS算法. 该算法基于反双曲正切函数构建步长与误差信号之间的非线性函数关系式,以此来替代LMS算法中的定步长,实现了对步长因子的动态调整. 文中详细讨论了新的变步长函数中参数α,β和γ对于算法性能的影响,并和其他几种较新的变步长算法进行了性能比较. 仿真结果表明,所提算法很好地兼顾了收敛速度、稳态误差和跟踪性能,在系统辨识、正弦信号去噪和自适应线性预测方面表现出了优异的性能.      

一种基于离散小波变换的自适应滤波新算法

将小波变换、变换域自适应算法和变步长自适应算法相结合，得出了一种基于离散小波变换的自适应滤波新算法(NDWT-LMS)，该算法可以有效地降低输入信号的自相关程度，克服固定步长因子所导致算法在快的收敛速度和较低的稳态误差之间存在的矛盾。计算机仿真结果表明该算法与LMS算法相比具有更快的收敛速度和更小的失调噪声，可以很好地应用于自适应系统中。