CN108512528B - 一种cim函数下的比例控制和归一化lmp滤波方法 - Google Patents

一种cim函数下的比例控制和归一化lmp滤波方法 Download PDF

Info

Publication number
CN108512528B
CN108512528B CN201810178133.6A CN201810178133A CN108512528B CN 108512528 B CN108512528 B CN 108512528B CN 201810178133 A CN201810178133 A CN 201810178133A CN 108512528 B CN108512528 B CN 108512528B
Authority
CN
China
Prior art keywords
max
filter
weight
function
cim
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810178133.6A
Other languages
English (en)
Other versions
CN108512528A (zh
Inventor
石颖
张静静
张洪斌
赵集
毛翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810178133.6A priority Critical patent/CN108512528B/zh
Publication of CN108512528A publication Critical patent/CN108512528A/zh
Application granted granted Critical
Publication of CN108512528B publication Critical patent/CN108512528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03HIMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00Adaptive networks
    • H03H21/0012Digital adaptive filters
    • H03H21/0043Adaptive algorithms
    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03HIMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00Adaptive networks
    • H03H21/0012Digital adaptive filters
    • H03H2021/007Computation saving measures; Accelerating measures
    • H03H2021/0076Measures relating to the convergence time
    • H03H2021/0078Measures relating to the convergence time varying the step size

Landscapes

  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开了一种CIM函数下的比例控制和归一化LMP滤波方法,包括以下步骤:将自适应滤波器的输入信号与滤波器最佳权重向量相乘,加上噪声信号,得到期望输出信号;将输入信号和滤波器实时权重向量相乘,得到实时输出信号;将期望输出信号和实时输出信号做差,得到信号误差;根据最小均方p范数准则设计滤波算法的代价函数;引入比例步长控制矩阵,由最速下降法得到权重的更新方程并进行归一化处理;引入CIM函数,优化比例步长控制矩阵,使每个权重分量获得相应的步长因子;对自适应滤波器的权重进行迭代更新。本发明能够保证自适应滤波方法的滤波精度和收敛速度,甚至当信道的稀疏度变小时,依然能保持较好的滤波精度和收敛速度。

Description

一种CIM函数下的比例控制和归一化LMP滤波方法
技术领域
本发明涉及数字信号处理技术领域,特别是涉及一种CIM函数下的比例控制和归一化LMP滤波方法。
背景技术
自适应滤波器是一种通过自适应算法改变传统滤波器的参数来追踪信号的时变特征的滤波器.传统滤波器需要知道信道结构,然而实际情况中很多信道是未知的,而自适应滤波器能在不知道系统结构的情况下根据信号或者噪声的统计特性,通过迭代的方式自适应的找到最优的滤波器参数.这一特性使得自适应滤波在通信领域的回波消除、信道均衡、滤波与逆滤波、系统辨识、噪声消除等方面得到广泛的应用。最小均方p范数算法(LeastMean Power Algorithm,LMP)在非高斯噪声环境中有较好的滤波性能,而被广泛应用。实际生活中,部分信道具有明显的稀疏性,而稀疏信道中有显著值的权重分量较少,大多数权重分量的值为零或者接近零。由于算法整体收敛速度由较小权重分量的收敛速度决定,故在稀疏信道里LMP算法收敛速度被小分量拖慢。
发明内容
本发明的目的在于克服现有技术的不足,提供一种CIM函数下的比例控制和归一化LMP滤波方法,既能够在非高斯稀疏信道的稀疏度较大时,保证自适应滤波方法的滤波精度和收敛速度,也能够在非高斯稀疏信道的稀疏度较小时,保证自适应滤波方法的滤波精度和收敛速度,适用范围广。
本发明的目的是通过以下技术方案来实现的:一种CIM函数下的比例控制和归一化LMP滤波方法,包括以下步骤:
S1.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T与滤波器期望的最佳权重向量相乘,再加上噪声信号v(n),得到期望输出信号d(n):
d(n)=wo Tx(n)+v(n);
式中,M表示信道长度;
S2.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T和滤波器实时权重向量w(n)=[w1(n),w2(n),...,wM(n)]T相乘,得到实时输出信号y(n):
y(n)=w(n)Tx(n);
S3.将期望输出信号d(n)和实时输出信号y(n)做差,得到信号误差e(n):
e(n)=d(n)-y(n);
S4.根据最小均方p范数准则设计滤波算法的代价函数J(n):
J(n)=|e(n)|p
S5.引入比例步长控制矩阵G(n),并基于代价函数J(n)由最速下降法得到权重向量w(n)的更新方程:
S6.对权重向量的更新方程进行归一化处理:
式中,D(n)=p|e(n)|p-2e(n),η表示步长调节参数;
同时,引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子;
S7.将更新后的权重向量作为滤波器新的实时权重向量,重复进行步骤S1~S6,在每次滤波过程中对自适应滤波器的权重向量进行迭代更新。
所述的比例步长控制矩阵G(n)=diag[g1(n),g2(n),...,gM(n)],其中:
χs(n)=max[ρCmax,F(ws(n))];
Cmax=max{θ,F(w1(n)),...,F(wM(n))};
其中ρ,θ为自定义常数,一般情况下,ρ,θ较小,能够避免因滤波系数过小而导致算法停止更新。
引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子的过程包括:
带入Cmax=max{θ,F(w1(n)),...,F(wM(n))}中,计算CIM函数下的Cmax参数;
将CIM函数与计算得到的Cmax参数一起带入到χs(n)=max[ρCmax,F(ws(n))]中,得到CIM函数下的χs(n)参数;
根据CIM函数下的χs(n)参数,带入对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子。
本发明的有益效果是:本发明首先计算期望输出信号和实时输出信号的误差,然后在最小均方p范数准则下设计滤波算法的代价函数,再引入比例步长控制矩阵,由最速下降法得到权重向量的更新方程;对更新方程进行归一化,利用CIM函数对比例步长控制矩阵进行优化,使每个权重分量获得相应的步长因子;将更新后的权重向量作为滤波器新的实时权重向量,对自适应滤波器的权重向量进行迭代更新,既能够在非高斯稀疏信道的稀疏度较大时,保证自适应滤波方法的滤波精度和收敛速度,也能够在非高斯稀疏信道的稀疏度较小时,保证自适应滤波方法的滤波精度和收敛速度,适用范围广。
附图说明
图1为本发明的方法流程图;
图2为本发明的方法所对应的LMP滤波模型示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种CIM函数下的比例控制和归一化LMP滤波方法,包括以下步骤:
S1.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T与滤波器期望的最佳权重向量相乘,再加上噪声信号v(n),得到期望输出信号d(n):
d(n)=wo Tx(n)+v(n);
式中,M表示信道长度;
S2.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T和滤波器实时权重向量w(n)=[w1(n),w2(n),...,wM(n)]T相乘,得到实时输出信号y(n):
y(n)=w(n)Tx(n);
S3.将期望输出信号d(n)和实时输出信号y(n)做差,得到信号误差e(n):
e(n)=d(n)-y(n);
S4.根据最小均方p范数准则设计滤波算法的代价函数J(n):
J(n)=|e(n)|p
S5.引入比例步长控制矩阵G(n),并基于代价函数J(n)由最速下降法得到权重向量w(n)的更新方程:
引入比例步长控制矩阵后,给每个权重分量相应的步长因子,这样较小的权重分量获得较大的步长因子加快算法的整体收敛速度,较大的权重分量获得合适的步长因子,提高收敛精度。
S6.对权重向量的更新方程进行归一化处理:
式中,D(n)=p|e(n)|p-2e(n),η表示步长调节参数;进行归一化处理后,能够有效降低较大的脉冲输入信号对滤波算法的影响;
目前针对稀疏系统稀疏信道求最优结构的解等价于l0范数的最小化问题,但是目前其他的相关算法都是用更容易求解的l1范数,所以寻找一种能够更好的逼近于l0范数的算法,在稀疏系统下得到更快的收敛速度和滤波精度是非常有必要的;
故本发明中,引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子;
S7.将更新后的权重向量作为滤波器新的实时权重向量,重复进行步骤S1~S6,在每次滤波过程中对自适应滤波器的权重向量进行迭代更新。
所述的比例步长控制矩阵G(n)=diag[g1(n),g2(n),...,gM(n)],其中:
χs(n)=max[ρCmax,F(ws(n))];
Cmax=max{θ,F(w1(n)),...,F(wM(n))};
其中ρ,θ为自定义常数,一般情况下,ρ,θ较小,能够避免因滤波系数过小而导致算法停止更新。
CIM(相关熵诱导度量)定义为:
其中|wi|>σ,对任意的随着σ→0,所得结果可以任意接近l0范数,σ是一个非常小的正常数,因此l0范数可以被有效的逼近为:
于是基于CIM方法的F(ws(n))被估计为:
在本发明中,引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子的过程包括:
带入Cmax=max{θ,F(w1(n)),...,F(wM(n))}中,计算CIM函数下的Cmax参数;
将CIM函数与计算得到的Cmax参数一起带入到χs(n)=max[ρCmax,F(ws(n))]中,得到CIM函数下的χs(n)参数;
根据CIM函数下的χs(n)参数,带入对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子。
如图2所示,为本发明的方法所对应的LMP滤波模型示意图,首先计算期望输出信号和实时输出信号的误差,然后在最小均方p范数准则下设计滤波算法的代价函数,再引入比例步长控制矩阵,由最速下降法得到权重向量的更新方程;对更新方程进行归一化,利用CIM函数对比例步长控制矩阵进行优化,使每个权重分量获得相应的步长因子;将更新后的权重向量作为滤波器新的实时权重向量,对自适应滤波器的权重向量进行迭代更新,既能够在非高斯稀疏信道的稀疏度较大时,保证自适应滤波方法的滤波精度和收敛速度,也能够在非高斯稀疏信道的稀疏度较小时,保证自适应滤波方法的滤波精度和收敛速度,适用范围广。

Claims (1)

1.一种CIM函数下的比例控制和归一化LMP滤波方法,其特征在于:包括以下步骤:
S1.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T与滤波器期望的最佳权重向量相乘,再加上噪声信号v(n),得到期望输出信号d(n):
d(n)=wo Tx(n)+v(n);
式中,M表示信道长度;
S2.将自适应滤波器的输入信号x(n)=[x(n),x(n-1),...,x(n-M+1)]T和滤波器实时权重向量w(n)=[w1(n),w2(n),...,wM(n)]T相乘,得到实时输出信号y(n):
y(n)=w(n)Tx(n);
S3.将期望输出信号d(n)和实时输出信号y(n)做差,得到信号误差e(n):
e(n)=d(n)-y(n);
S4.根据最小均方p范数准则设计滤波算法的代价函数J(n):
J(n)=|e(n)|p
S5.引入比例步长控制矩阵G(n):
G(n)=diag[g1(n),g2(n),...,gM(n)],
其中:
χs(n)=max[ρCmax,F(ws(n))];
Cmax=max{θ,F(w1(n)),...,F(wM(n))};
其中ρ,θ为自定义常数,一般情况下,ρ,θ较小,能够避免因滤波系数过小而导致算法停止更新;
基于代价函数J(n)由最速下降法得到权重向量w(n)的更新方程:
S6.对权重向量的更新方程进行归一化处理:
式中,D(n)=p|e(n)|p-2e(n),η表示步长调节参数;
同时,引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子,其中σ是趋于0的正常数;
S7.将更新后的权重向量作为滤波器新的实时权重向量,重复进行步骤S1~S6,在每次滤波过程中对自适应滤波器的权重向量进行迭代更新;
引入CIM函数对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子的过程包括:
带入Cmax=max{θ,F(w1(n)),...,F(wM(n))}中,计算CIM函数下的Cmax参数;
将CIM函数与计算得到的Cmax参数一起带入到χs(n)=max[ρCmax,F(ws(n))]中,得到CIM函数下的χs(n)参数;
根据CIM函数下的χs(n)参数,带入对比例步长控制矩阵G(n)进行优化,使每个权重分量获得相应的步长因子。
CN201810178133.6A 2018-03-05 2018-03-05 一种cim函数下的比例控制和归一化lmp滤波方法 Active CN108512528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810178133.6A CN108512528B (zh) 2018-03-05 2018-03-05 一种cim函数下的比例控制和归一化lmp滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810178133.6A CN108512528B (zh) 2018-03-05 2018-03-05 一种cim函数下的比例控制和归一化lmp滤波方法

Publications (2)

Publication Number Publication Date
CN108512528A CN108512528A (zh) 2018-09-07
CN108512528B true CN108512528B (zh) 2019-08-27

Family

ID=63376259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810178133.6A Active CN108512528B (zh) 2018-03-05 2018-03-05 一种cim函数下的比例控制和归一化lmp滤波方法

Country Status (1)

Country Link
CN (1) CN108512528B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347457B (zh) * 2018-11-15 2022-02-01 苏州大学 一种变参数零吸引子自适应滤波器
CN110890875B (zh) * 2019-09-29 2021-08-10 电子科技大学 基于广义相关诱导度量改进的比例仿射投影滤波方法
CN113037249B (zh) * 2019-12-25 2023-08-15 中移物联网有限公司 一种数字信号滤波方法、装置及可读存储介质
CN116805175B (zh) * 2023-06-02 2023-12-26 中哲国际工程设计有限公司 基于cim技术的医疗养老建筑运维管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103561185B (zh) * 2013-11-12 2015-08-12 沈阳工业大学 一种稀疏路径的回声消除方法
CN104683614B (zh) * 2015-03-24 2016-03-02 西南交通大学 基于m估计的记忆成比例仿射投影自适应回声消除方法
CN106782593B (zh) * 2017-02-27 2019-10-25 重庆邮电大学 一种用于声学回声消除的多带结构自适应滤波器切换方法
CN107342751B (zh) * 2017-06-28 2020-08-18 西安交通大学 一种基于互相关熵的变步长sa自适应滤波算法
CN107369458B (zh) * 2017-07-07 2019-09-24 西南交通大学 一种基于熵吸引的最大熵子带回声消除方法

Also Published As

Publication number Publication date
CN108512528A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108512528B (zh) 一种cim函数下的比例控制和归一化lmp滤波方法
US9837991B2 (en) Adaptive filter for system identification
CN109508510B (zh) 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法
Huang et al. Robust event-triggered state estimation: A risk-sensitive approach
CN103716013A (zh) 变参数比例自适应滤波器
Mohtadi et al. Generalized predictive control, LQ, or pole-placement: a unified approach
CN106059531A (zh) 一种非负自适应滤波器
CN104158512A (zh) 一种基于独立活性因子的抗冲击干扰的自适应稀疏系统辨识方法
CN108512529A (zh) 一种μ律函数下的比例控制和归一化LMP滤波方法
WO2004090782A1 (en) Accurate linear parameter estimation with noisy inputs
Shi et al. Diffusion sign subband adaptive filtering algorithm with enlarged cooperation and its variant
CN110048694A (zh) 基于变元步长的随机傅里叶特征核最小均方算法
CN113625781A (zh) 基于事件的欧拉-拉格朗日系统跟踪控制方法
CN109274352A (zh) 基于最大相关熵的多凸组合自适应滤波方法
Zhu A Box-Jenkins method that is asymptotically globally convergent for open loop data
CN108462481B (zh) 一种μ律函数下基于参数调整的比例LMP滤波方法
CN104410388A (zh) 基于非线性变换的自适应时间延迟估计方法
Camacho et al. Implementation of self‐tuning generalized predictive controllers for the process industry
CN108471300B (zh) 一种cim函数下基于参数调整的比例lmp滤波方法
Nair et al. 2-D airborne vehicle tracking using Kalman filter
Boukis et al. A generalised mixed norm stochastic gradient algorithm
CN113282873A (zh) 一种基于零化神经网络求解时变连续代数Riccati方程的方法
Bhotto et al. A new partial-update NLMS adaptive-filtering algorithm
Oliveira et al. CRHPC using Volterra models and orthonormal basis functions: an application to CSTR plants
CN114266103B (zh) 一种飞行器参数和噪声特性在线估计方法及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant