基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差（least mean squares,LMS）滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sigmoid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明：该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。     

基于估值修正的分布式传感器网络最小均方算法

为使分布式传感器网络自适应滤波算法在具有快速收敛和低稳态误差的同时,具有对脉冲干扰的鲁棒性,在扩散LMS自适应滤波算法基础上,提出一种基于参数估值p阶范数修正的变步长最小均方自适应滤波算法,算法通过使用参数估值的p阶范数增抗其对脉冲噪声的抗干扰能力,通过合理设置变步长控制因子使得算法在收敛初期的收敛速度及收敛后期的稳态误差在一个较小的范围取得一个较好的平衡。对比实验表明,相比已有算法,所提算法性能更优且具有较好的鲁棒性。     

一种基于Lorentzian函数的变步长LMS自适应滤波算法

为了改善传统的LMS类算法存在的缺点,提高算法的收敛速度和跟踪性能,提出了一种基于Lorentzian函数的变步长LMS自适应滤波算法.该算法采用Lorentzian函数来建立估计误差e(n)和步长因子μ(n)之间的非线性关系,以达到提高收敛速度和改善跟踪性能的目的.计算机仿真表明,算法与其他LMS类自适应滤波算法相比,在收敛速度和跟踪性能上都有较大的提升.     

基于AP-DE算法动态迭代步长的研究

为了促进自适应滤波器的滤波性能,建立了一种变步长的基于直接迭代误差AP-DE算法。通过使得权值均方误差下降速度最大,获得了AP-DE算法的优化迭代步长,并分析了所建立算法权值均方误差的统计特性。     

基于对数函数的归一化变步长LMS算法

归一化LMS算法是用步长与输入信号功率的比值,对步长的归一化,但其使用的全局步长因子是固定的,会出现不能同时兼顾收敛速度和稳态误差的问题。为了解决这一问题,将该算法与基于对数函数的变步长LMS算法相结合,提出了一种基于对数函数的归一化变步长LMS算法。基于对数函数的归一化变步长LMS算法是利用步长μ和误差e满足的一种归一化的对数关系,通过误差e来调整步长μ,使得步长μ始终在一个合适的范围内。仿真结果表明,新算法在收敛速度和稳态误差方面都优于归一化LMS算法和基于对数函数的变步长LMS算法。     

变步长LMS算法在PCMA信号相位估计中的应用

为提高PCMA信号相位估计的精度,基于联合循环统计量与变步长最小均方（least mean square,LMS）的理论,提出了一种PCMA信号相位高精度估计算法。算法推导信号参数与循环统计量的定量关系进行相位的初估计,对接收信号进行变步长的LMS自适应滤波,通过迭代提升相位估计精度。对算法进行了不同维度的仿真对比实验,仿真结果表明,算法收敛速度快,适用范围广,性能相较于传统方法提升2dB左右。     

基于改进LMS算法的复合材料超声检测缺陷识别

在径向基函数（RBF）神经网络实现无人机复合材料超声检测脱粘缺陷识别时,针对最小均方（LMS）算法在确定网络输出权值时存在稳态失调误差和收敛速度相矛盾的问题,提出一种改进的自适应的变步长LMS算法．该算法根据反馈误差自适应确定步长,通过引进动量项加快收敛速度．将改进LMS算法应用到RBF网络缺陷识别中,结果表明该方法在稳态失调误差较小的情况下,能快速确定RBF网络的权值．改进的RBF网络能够较好地识别超声检测脱粘缺陷．     

一种改进的次级通道辨识算法

为提高次级通道的辨识精度、减小辨识误差对自适应控制的影响,以横向滤波器作为估计模型,分别应用带遗忘因子的最小二乘递推算法和变步长最小均方算法来对横向滤波器的权系数进行了更新,并对两种算法的辨识精度和控制效果进行了对比。结果表明:变步长最小均方算法的性能优于带遗忘因子的最小二乘递推算法,但变步长算法仍存在收敛速度过慢、辨识残差较大的问题。为此,提出一种改进的变步长最小均方算法,并对其进行了实验验证。实验结果表明:改进之后的变步长最小均方算法的辨识精度满足控制要求,收敛速度较快。     

一种新的变步长LMS自适应滤波算法

通过建立步长因子μ与误差信号e之间的非线性关系,提出一种新的基于抽样函数的变步长LMS算法,并进行了计算机仿真.结果表明,该算法除了具有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点外,其收敛速度、稳定性以及跟踪速度均优于传统固定步长LMS算法抽样函数、SVSLMS算法.     

基于LMS2UKF的主/被动雷达融合算法

在主/被动雷达双传感器目标跟踪背景下,针对IMM算法的计算量大,提出一种基于变结构多模型思想的LMS2UKF分布式融合算法。该算法将LMS算法和UKF滤波算法结合进行矩阵加权融合。与IMM2UKF算法进行仿真比较,结果表明在相同情况下,本算法有较好的稳定性和较好的定位精度。     

变步长自适应算法在GPS空时抗干扰中的应用

针对基于FROST阵列处理的最小均方算法(FROSR-least mean squares,FLMS)收敛速度较慢的缺点,将FLMS算法和变步长技术相结合,采用了一种基于Sigmoid函数的变步长快速自适应算法(variable step-size FROSR-least mean squares,VFLMS)。将该算法应用于GPS接收机空时自适应处理系统中,理论分析和计算机仿真表明,VFLMS算法能够抑制大于阵元个数的多个宽、窄带干扰,效果理想。     

滤波器阶数对导航接收机时域抗干扰的影响分析

滤波器阶数是影响卫星导航接收机时域自适应抗干扰性能和计算复杂度的核心参数。为了解决当前阶数选取严重依赖工程经验而影响分析不足的问题,分析了滤波器阶数对导航接收机时域自适应抗干扰性能的影响,可为导航接收机低复杂度时域抗干扰的研究提供理论支撑。该分析面向不同干扰环境,分别以滤波器幅频响应和信号载噪比为评估指标,并通过仿真实验和实测对传统最小均方算法和改进型最小均方算法进行验证,提出了一种基于数字滤波器设计的自适应最优滤波器阶数的设计方法。实验数据分析表明,通过适当提升滤波器长度,可以有效提升时域自适应滤波器的抗干扰性能;在实际应用中,可根据实际抗干扰需求,对滤波器阶数进行优化设计。     

应用于有源消声的变换域LMS算法

针对自适应有源消声最常用的滤波—XLMS算法(FLMS)运算量小、收敛缓慢、宽带消声效果差等不足之处,利用误差通道滤波特性,提出了变换域滤波—XLMS算法。新算法的突出优点是收敛速度较快、宽带消声效果较好。     

一种改进的变步长归一化LMS算法

在以往的基于ＬＭＳ算法的研究中，归一化ＬＭＳ算法（ＮＬＭＳ）增大了算法的动态输入范围，但该算法对噪声很敏感。引入自相关的变步长ＬＭＳ算法（ＶＳＳＬＭＳ）不仅加快了收敛速度，可在非平稳状态下进行快速跟踪，而且消除了独立噪声的干扰，但它无法适应大范围的动态输入。本文综合它们的优点而得到的算法，在低信噪比和大范围的动态输入情况下都有良好的性能。     

基于FPGA的定点LMS算法的实现

LMS算法的FPGA实现是自适应天线阵用于实践的关键之一。提出了一种在FPGA内实现定点LMS算法的方法。在满足系统实时性的前提下,该方法不但实现起来相对容易,而且算法的精度和动态范围也有一定的保证。仿真结果表明,该方法是可行的。     

应用于卫星导航功率倒置阵的改进LMS算法*

采用功率倒置准则的自适应天线阵特别适合于弱信号、强干扰的场合,因而在卫星导航系统中得到了广泛的应用。针对基于最小均方误差(LMS)算法实现的卫星导航功率倒置阵在干扰数目或干扰功率突然减少时,算法收敛慢、影响信号接收性能的问题,分析了这一现象的产生机理,并提出了相应的改进算法。改进算法通过功率监测来检测干扰数目或干扰功率的突变,然后对LMS算法进行复位处理重置权值来达到迅速收敛的目的。仿真结果表明,与原算法相比,改进算法可显著提高功率倒置阵的收敛速度。     

一种基于LMS的时域相干累积算法研究

为了克服低信噪比条件下传统的自适应滤波算法抑制高斯噪声效果差的缺点,提出了基于最小均方(LMS)的时域相干累积新算法。计算机仿真结果表明,该算法具有良好的抑制高斯噪声的性能,对于低信噪比下信号的增强效果明显优于传统的自适应滤波算法。