CN109257030A - 一种变步长lp范数LMS算法的稀疏系统辨识方法 - Google Patents

一种变步长lp范数LMS算法的稀疏系统辨识方法 Download PDF

Info

Publication number
CN109257030A
CN109257030A CN201811227675.4A CN201811227675A CN109257030A CN 109257030 A CN109257030 A CN 109257030A CN 201811227675 A CN201811227675 A CN 201811227675A CN 109257030 A CN109257030 A CN 109257030A
Authority
CN
China
Prior art keywords
sparse
norm
algorithm
tap
weight vector
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.)
Granted
Application number
CN201811227675.4A
Other languages
English (en)
Other versions
CN109257030B (zh
Inventor
张爱华
刘洲峰
周其玉
李碧草
曹文周
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.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
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 Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Priority to CN201811227675.4A priority Critical patent/CN109257030B/zh
Publication of CN109257030A publication Critical patent/CN109257030A/zh
Application granted granted Critical
Publication of CN109257030B publication Critical patent/CN109257030B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0223—Computation saving measures; Accelerating measures
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0283—Filters characterised by the filter structure
    • H03H17/0286—Combinations of filter structures
    • H03H17/0288—Recursive, non-recursive, ladder, lattice structures
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • H03H2021/0056—Non-recursive least squares algorithm [LMS]
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H2021/007—Computation saving measures; Accelerating measures
    • H03H2021/0076—Measures relating to the convergence time
    • H03H2021/0078—Measures relating to the convergence time varying the step size

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开了一种变步长lp范数LMS算法的稀疏系统辨识方法，并对其收敛性进行了分析，该算法将系统迭代过程中产生的误差平方根引入到步长控制中，并引入正常数Vth以平衡系统的收敛速度和稳态误差，在迭代过程中能够实时有效调整系统的步长。为了挖掘未知信道的稀疏性，我们在代价函数中引入了lp范数，该算法可以实现对稀疏系统的精确辨识。该算法在保持传统LMS算法优良的收敛速度和稳态性能的基础上，进一步提高了系统的收敛速度和估计精度。实验仿真中对比了几种较新的稀疏自适应算法，理论和实验均验证了所提算法的优越性。

Description

一种变步长lp范数LMS算法的稀疏系统辨识方法
技术领域
本发明属于稀疏信号处理领域，涉及一种变步长lp范数LMS算法的稀疏系统辨识方法，是在含噪声环境下的稀疏系统辨识，可用于宽带无线通信系统的信道估计等。
背景技术
自适应滤波具有较强的适应性和更好的过滤性能，该算法已经在信道均衡、线性预测、谱分析和系统识别、雷达、回波消除等领域得到了广泛应用。自适应滤波的目的是对不确定的系统或信息进行处理。这里的“不确定性”意味着所研究的信息处理过程及其环境的数学模型尚未完全确定，它包含一些未知和随机的因素，例如，一些噪音信号会以不同方式影响信息处理，这些干扰和噪声信号的统计特性常常是未知的。面对客观存在的各种不确定性，如何综合处理信息，使某些指定的性能指标达到最优或近似最优，是自适应滤波算法需要解决的问题。
Widrow和Hoff提出的最小均方误差(LMS)自适应算法是最流行的自适应算法之一，该算法的权值更新函数采用固定步长，而步长的大小则反映了稳态误差和收敛速度之间的折衷，小的步长可给出小的稳态误差，但收敛速度较慢；大的步长可给出快的收敛速度却也导致了稳态误差较大，收敛速度和稳态误差性能不可同时兼得。为解决该问题，Raymond H.Kwong等研究者提出了可变步长LMS算法(Visual Step Size Least MeanSquare，VSSLMS)，该算法的步长调整由预测误差的平方值进行控制，大的预测误差值会导致步长增加以提供更快的跟踪，而小的预测误差会导致步长减小以产生更小的稳态误差。LMS/F算法是由SJ Lim，JG Harris提出的一种由LMS算法和LMF算法组合而成的自适应滤波算法，也可以看成是一种步长可变的自适应滤波算法，该算法在权值向量距离最优值较远时，收敛速度和稳定性比LMS算法好，在权值向量接近最优解时，稳定性比LMF算法好，但由于LMS/F算法在权值向量更新中采用误差的三阶函数,因而会对附加噪声和信噪比都非常敏感。
对于稀疏未知系统，上述自适应算法并不能有效利用系统中的稀疏结构信息，参数估计性能效率不高。
发明内容
针对上述现有技术中描述的不足，本发明提供一种变步长lp范数LMS算法的稀疏系统辨识方法，本发明是为了提高自适应滤波算法的收敛速度和稀疏未知系统的估计精度，将系统迭代过程中产生的误差平方根引入到步长控制中，并由正常数Vth平衡系统的收敛速度和稳态误差，为了挖掘未知信道的稀疏性，在代价函数中引入了lp范数，本发明在保持传统LMS算法优良的收敛速度和稳态性能的基础上，进一步提高了系统的收敛速度和估计精度。
为解决上述技术问题，本发明所采用的技术方案是：
一种变步长lp范数LMS算法的稀疏系统辨识方法，步骤如下：
A01.训练输入信号x(n)：
x(n)＝[x0x1…xN-1]T；
其中，n为当前时刻，N为输入序列的信号长度，T为矩阵转置符号。
A02.初始化自适应滤波系统的抽头权重向量h(n)。
对抽头权重向量h(n)进行初始化是将所有抽头权重向量h(n)置为零。
A03.发送输入信号x(n)至待识别稀疏系统和自适应滤波系统。
A04.获取待识别稀疏系统的输出信号d(n)，d(n)为系统的期望输出信号：
d(n)＝xT(n)h0+v(n)；
其中，h0为稀疏信道矢量，v(n)为零均值高斯白噪声。
A05.计算自适应滤波系统的输出信号y(n)，y(n)为系统的实际输出信号：
y(n)＝hT(n)x(n)；
其中，h(n)为抽头权重向量。
A06.计算待识别稀疏系统与自适应滤波系统之间的输出误差e(n)：
e(n)＝d(n)-hT(n)x(n)。
A07.构造代价函数L(n)：
其中，γ为稀疏约束加权值，是p范数，且0＜p＜1。
A08.计算代价函数L(n)的梯度
其中，p为大于0小于1的数值，|h(n)|1-p为抽头权重向量|h(n)|的“1-p”次幂。
A09.构造动态步长μ(n)：
其中，μ为固定步长，Vth是调节因子，且0＜Vth＜1，为输出误差e(n)的平方根。
A10.计算自适应滤波器的抽头权重向量的更新函数：
h(n+1)＝h(n)+μ(n)e(n)x(n)-K(n)psgn[h(n)]/(ε+|h(n)|1-p)；
K(n)＝γμ(n)；
其中，K(n)为正则化参数，ε为很小的正数。
A11.判断[e(n)-e(n-1)]＞ε0是否成立，若成立，则返回步骤A01；如果不等式不成立，则系统收敛，迭代结束，得到连续的稀疏系统的辨识值。
而系统收敛的判定方法为：
且
其中，λmax是输入信号的自相关矩阵的最大特征值，R是输入信号的自协方差矩阵。
本发明的优点在于：将误差的平方根引入到系统迭代过程时的步长控制中，并引入一个正常数以平衡系统的收敛速度和稳态误差，使得在迭代过程中能够实时调整系统的步长；引入的lρ范数自适应零吸引子可以加快小系数的收敛速度，消除大系数引起的系统辨识估计偏差。本发明具有较快的收敛速度和较高的估计精度、系统的稀疏度变化时，本发明的跟踪能力强，计算复杂度较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的系统结构框图。
图2是系统信噪比(SNR)为10dB时，传统的LMS、LMS/F、VSS-LMS算法与本发明的性能仿真对比图。
图3是系统信噪比(SNR)为20dB时，传统的LMS、LMS/F、VSS-LMS算法与本发明的性能仿真对比图。
图4是信噪比为10dB时，当信道的稀疏度产生突变的情况下，传统的LMS、LMS/F、VSS-LMS算法与本发明的跟踪情况的对比图。
图5是信噪比为20dB时，当信道的稀疏度产生突变的情况下，传统的LMS、LMS/F、VSS-LMS算法与本发明的跟踪情况的对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种变步长lp范数LMS算法的稀疏系统辨识方法。该方法在固定步长μ的基础上引入了误差函数的平方根来调节步长，利用平方根对小数(小于1)的放大作用对误差进行非线性放大，当误差较大时，该动态步长能提供一个较大值以促进均方误差的收敛；当误差较小时，动态步长能提供一个较小值以降低稳态误差，为了利用未知信道的的稀疏性，在代价函数中引入了lρ范数。
本实施例的一种变步长lp范数LMS算法的稀疏系统辨识方法，系统信道长度设为128。自适应滤波系统如图1所示，方法的流程为：首先进行滤波器权值的初始化设置，设定初始化条件；训练输入信号并获取期望信号的值，将输入信号经过自适应滤波器获取输出信号、计算滤波器输出信号和期望信号的误差、构建变步长函数、代价函数中引入p范数稀疏惩罚项、求出权值更新向量，并判断其是否收敛，若不收敛，则返回对输出进行滤波处理，每次返回后需要更新输入信号x(n)；若收敛，则迭代结束。
具体步骤为：
A01.训练输入信号x(n)：
x(n)＝[x0 x1 … xN-1]T；
其中，n为当前时刻，N为输入序列的信号长度，T为矩阵转置符号。
A02.初始化自适应滤波系统的抽头权重向量h(n)。
h(n)＝[h0 h1 … hN-1]T；
h(n)是长为N的自适应滤波器信道估计值。
而对抽头权重向量h(n)进行初始化是将所有抽头权重向量h(n)置为零。
A03.发送输入信号x(n)至待识别稀疏系统和自适应滤波系统。
A04.获取待识别稀疏系统的输出信号d(n)，d(n)为系统的期望输出信号：
d(n)＝xT(n)h0+v(n)；
其中，h0为稀疏信道矢量，是长为N(N＝128)的最优(维纳)解，仅由K个非零信道抽头组成，即稀疏度为k，分别取2和4；v(n)为零均值高斯白噪声且假设与x(n)统计独立。
A05.计算自适应滤波系统的输出信号y(n)，y(n)为系统的实际输出信号：
y(n)＝hT(n)x(n)；
其中，h(n)为抽头权重向量。
A06.计算待识别稀疏系统与自适应滤波系统之间的输出误差e(n)：
e(n)＝d(n)-hT(n)x(n)。
e(n)是第n次迭代得到的信道系数估计误差。
A07.构造代价函数L(n)，为了对稀疏系统进行辨识，在代价函数中引入能够表征稀疏特性的lp范数：
其中，γ为稀疏约束加权值，γ＝0.1；是p范数，且0＜p＜1。
当p趋近于零时，lρ范数近似于l0范数：
当p趋近于1时，lρ范数近似于l1范数：
A08.计算代价函数L(n)的梯度
其中，p为大于0小于1的数，|h(n)|1-p为抽头权重向量|h(n)|的“1-p”次幂。
A09.构造动态步长μ(n)：
其中，μ为固定步长，在本实施例中μ＝0.012，Vth是调节因子，Vth＝0.8，为输出误差e(n)的平方根。
该步长利用平方根对小数(随着迭代的进行，误差一般都小于1)的放大挖掘作用，将误差放大，从而加速了误差的收敛。Vth是一个常数调节因子，0＜Vth＜1，通过和Vth的调节可以使自适应滤波器在迭代初期误差较大时，步长μ(n)大于标准LMS的步长μ，收敛速度加快；随着迭代进行，误差减小，μ(n)将小于标准LMS的步长μ，稳态误差降低。
A10.计算自适应滤波器的抽头权重向量的更新函数：
h(n+1)＝h(n)+μ(n)e(n)x(n)-K(n)psgn[h(n)]/(ε+|h(n)|1-p)；
K(n)＝γμ(n)；
其中，K(n)为正则化参数，ε＝0.05。
A11.判断[e(n)-e(n-1)]＞ε0是否成立，若成立，则返回步骤A01；如果不等式不成立，则系统收敛，迭代结束，得到连续的稀疏系统的辨识值。
而系统收敛的判定方法为：
且
其中，λmax是输入信号的自相关矩阵的最大特征值，R是输入信号的自协方差矩阵。
而且，本发明将传统算法与本发明算法进行了仿真实验，如图2和3，分别是系统信噪比(SNR)为10dB和20dB时，传统的LMS、LMS/F、VSS-LMS算法与本发明的性能仿真对比图。
图4和5是信噪比为10dB和20dB时，当信道的稀疏度产生突变的情况下，传统的LMS、LMS/F、VSS-LMS算法与本发明的跟踪情况的对比图。
从对比图可知，本发明具有较快的收敛速度和较高的估计精度、系统的稀疏度变化时，本发明的跟踪能力强，计算复杂度较低。
上面所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种变步长lp范数LMS算法的稀疏系统辨识方法，其特征在于，步骤如下：
A01.训练输入信号x(n)；
x(n)＝[x0 x1 … xN-1]T；
其中，n为当前时刻，N为输入序列的信号长度，T为矩阵转置符号；
A02.初始化自适应滤波系统的抽头权重向量h(n)；
A03.发送输入信号x(n)至待识别稀疏系统和自适应滤波系统；
A04.获取待识别稀疏系统的输出信号d(n)，d(n)为系统的期望输出信号：
d(n)＝xT(n)h0+v(n)；
其中，h0为稀疏信道矢量，v(n)为零均值高斯白噪声；
A05.计算自适应滤波系统的输出信号y(n)，y(n)为系统的实际输出信号：
y(n)＝hT(n)x(n)；
其中，h(n)为抽头权重向量；
A06.计算待识别稀疏系统与自适应滤波系统之间的输出误差e(n)：
e(n)＝d(n)-hT(n)x(n)；
A07.构造代价函数L(n)：
其中，γ为稀疏约束加权值，是p范数，且0＜p＜1；
A08.计算代价函数L(n)的梯度
其中，p为大于0小于1的数值，|h(n)|1-p为抽头权重向量|h(n)|的1-p次幂；
A09.构造动态步长μ(n)：
其中，μ为固定步长，Vth是调节因子，且0＜Vth＜1，为输出误差e(n)的平方根；
A10.计算自适应滤波器的抽头权重向量的更新函数：
h(n+1)＝h(n)+μ(n)e(n)x(n)-K(n)psgn[h(n)]/(ε+|h(n)|1-p)；
K(n)＝γμ(n)；
其中，K(n)为正则化参数，0＜ε＜1；
A11.判断[e(n)-e(n-1)]＞ε0是否成立，若成立，则返回步骤A01；如果不等式不成立，则系统收敛，迭代结束，得到连续的稀疏系统的辨识值。
2.根据权利要求1所述的变步长lp范数LMS算法的稀疏系统辨识方法，其特征在于：在步骤A02中，对抽头权重向量h(n)进行初始化是将所有抽头权重向量h(n)置为零。
3.根据权利要求1所述的变步长lp范数LMS算法的稀疏系统辨识方法，其特征在于：系统收敛的判定方法为：
且
其中，λmax是输入信号的自相关矩阵的最大特征值，R是输入信号的自协方差矩阵。
CN201811227675.4A 2018-10-22 2018-10-22 一种变步长lp范数LMS算法的稀疏系统辨识方法 Expired - Fee Related CN109257030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811227675.4A CN109257030B (zh) 2018-10-22 2018-10-22 一种变步长lp范数LMS算法的稀疏系统辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811227675.4A CN109257030B (zh) 2018-10-22 2018-10-22 一种变步长lp范数LMS算法的稀疏系统辨识方法

Publications (2)

Publication Number Publication Date
CN109257030A true CN109257030A (zh) 2019-01-22
CN109257030B CN109257030B (zh) 2020-10-20

Family

ID=65045937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811227675.4A Expired - Fee Related CN109257030B (zh) 2018-10-22 2018-10-22 一种变步长lp范数LMS算法的稀疏系统辨识方法

Country Status (1)

Country Link
CN (1) CN109257030B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818888A (zh) * 2019-03-25 2019-05-28 哈尔滨工程大学 一种脉冲干扰环境下的组稀疏水声信道估计方法
CN110048694A (zh) * 2019-04-22 2019-07-23 哈尔滨理工大学 基于变元步长的随机傅里叶特征核最小均方算法
CN110596732A (zh) * 2019-10-15 2019-12-20 中国电子科技集团公司第二十八研究所 基于lms自适应滤波的gbas电离层异常检测方法
CN111447007A (zh) * 2020-04-09 2020-07-24 天津大学 一种基于正弦函数变步长lms均衡的可见光通信系统
CN111565353A (zh) * 2020-03-10 2020-08-21 南京大学 一种具有自适应多步长的扬声器非线性参数辨识方法
CN111795791A (zh) * 2020-07-06 2020-10-20 浙江大学 一种变步长液压振动台自适应幅相控制方法
CN112803920A (zh) * 2020-12-30 2021-05-14 重庆邮电大学 基于改进lms算法的稀疏系统辨识方法和滤波器和系统
CN113037661A (zh) * 2021-03-01 2021-06-25 重庆邮电大学 零吸引惩罚与吸引补偿组合的稀疏lms方法
CN113595528A (zh) * 2021-07-30 2021-11-02 重庆长安汽车股份有限公司 一种基于幂函数的自适应变步长lms滤波器及其实现方法
CN113810026A (zh) * 2021-09-14 2021-12-17 西安艾科特声学科技有限公司 一种自适应滤波算法迭代状态的判断方法
CN114499463A (zh) * 2022-01-20 2022-05-13 哈尔滨工程大学 一种通用自适应系统识别算法
CN115064147A (zh) * 2022-04-27 2022-09-16 哈尔滨工程大学 无人机动平台振动噪声自适应抵消方法及系统
CN117040489A (zh) * 2023-10-09 2023-11-10 之江实验室 一种稀疏约束的样条自适应滤波器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102227096A (zh) * 2011-05-20 2011-10-26 哈尔滨工程大学 一种非高斯环境下的变步长最小p-范数系统辨识方法
US20140310326A1 (en) * 2013-04-10 2014-10-16 King Fahd University Of Petroleum And Minerals Adaptive filter for system identification
CN104283528A (zh) * 2014-09-18 2015-01-14 河海大学 一种变步长lms自适应滤波方法
CN107071195A (zh) * 2017-03-21 2017-08-18 西南交通大学 基于一范数零吸引的指数函数回声消除方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102227096A (zh) * 2011-05-20 2011-10-26 哈尔滨工程大学 一种非高斯环境下的变步长最小p-范数系统辨识方法
US20140310326A1 (en) * 2013-04-10 2014-10-16 King Fahd University Of Petroleum And Minerals Adaptive filter for system identification
CN104283528A (zh) * 2014-09-18 2015-01-14 河海大学 一种变步长lms自适应滤波方法
CN107071195A (zh) * 2017-03-21 2017-08-18 西南交通大学 基于一范数零吸引的指数函数回声消除方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CEMIL TURAN ET AL.: "A sparse function controlled variable step-size LMS algorithm for system identification", 《2014 22ND SIGNAL PROCESSING AND COMMUNICATIONS APPLICATIONS CONFERENCE (SIU)》 *
SOLOMON NUNOO ET AL.: "Variable step-size l0-norm NLMS algorithm for sparse channel estimation", 《2014 IEEE ASIA PACIFIC CONFERENCE ON WIRELESS AND MOBILE》 *
冯西安 等: "稀疏似p范数变步长LMS的水下多径抑制算法", 《哈尔滨工程大学学报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818888A (zh) * 2019-03-25 2019-05-28 哈尔滨工程大学 一种脉冲干扰环境下的组稀疏水声信道估计方法
CN110048694A (zh) * 2019-04-22 2019-07-23 哈尔滨理工大学 基于变元步长的随机傅里叶特征核最小均方算法
CN110048694B (zh) * 2019-04-22 2022-09-23 哈尔滨理工大学 基于变元步长的随机傅里叶特征核最小均方算法
CN110596732B (zh) * 2019-10-15 2021-08-06 中国电子科技集团公司第二十八研究所 基于lms自适应滤波的gbas电离层异常检测方法
CN110596732A (zh) * 2019-10-15 2019-12-20 中国电子科技集团公司第二十八研究所 基于lms自适应滤波的gbas电离层异常检测方法
CN111565353A (zh) * 2020-03-10 2020-08-21 南京大学 一种具有自适应多步长的扬声器非线性参数辨识方法
CN111565353B (zh) * 2020-03-10 2021-05-28 南京大学 一种具有自适应多步长的扬声器非线性参数辨识方法
CN111447007A (zh) * 2020-04-09 2020-07-24 天津大学 一种基于正弦函数变步长lms均衡的可见光通信系统
CN111795791A (zh) * 2020-07-06 2020-10-20 浙江大学 一种变步长液压振动台自适应幅相控制方法
CN111795791B (zh) * 2020-07-06 2021-06-04 浙江大学 一种变步长液压振动台自适应幅相控制方法
CN112803920B (zh) * 2020-12-30 2023-02-03 重庆邮电大学 基于改进lms算法的稀疏系统辨识方法和滤波器和系统
CN112803920A (zh) * 2020-12-30 2021-05-14 重庆邮电大学 基于改进lms算法的稀疏系统辨识方法和滤波器和系统
CN113037661A (zh) * 2021-03-01 2021-06-25 重庆邮电大学 零吸引惩罚与吸引补偿组合的稀疏lms方法
CN113037661B (zh) * 2021-03-01 2022-05-13 重庆邮电大学 零吸引惩罚与吸引补偿组合的稀疏lms方法
WO2022184180A1 (zh) * 2021-03-01 2022-09-09 重庆邮电大学 零吸引惩罚与吸引补偿组合的稀疏lms方法
CN113595528A (zh) * 2021-07-30 2021-11-02 重庆长安汽车股份有限公司 一种基于幂函数的自适应变步长lms滤波器及其实现方法
CN113595528B (zh) * 2021-07-30 2023-08-04 重庆长安汽车股份有限公司 一种基于幂函数的自适应变步长lms滤波器及其实现方法
CN113810026A (zh) * 2021-09-14 2021-12-17 西安艾科特声学科技有限公司 一种自适应滤波算法迭代状态的判断方法
CN114499463A (zh) * 2022-01-20 2022-05-13 哈尔滨工程大学 一种通用自适应系统识别算法
CN114499463B (zh) * 2022-01-20 2024-10-18 哈尔滨工程大学 一种通用自适应系统识别算法
CN115064147A (zh) * 2022-04-27 2022-09-16 哈尔滨工程大学 无人机动平台振动噪声自适应抵消方法及系统
CN115064147B (zh) * 2022-04-27 2023-07-28 哈尔滨工程大学 无人机动平台振动噪声自适应抵消方法及系统
CN117040489A (zh) * 2023-10-09 2023-11-10 之江实验室 一种稀疏约束的样条自适应滤波器
CN117040489B (zh) * 2023-10-09 2024-02-13 之江实验室 一种稀疏约束的样条自适应滤波器

Also Published As

Publication number Publication date
CN109257030B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN109257030A (zh) 一种变步长lp范数LMS算法的稀疏系统辨识方法
CN110085249A (zh) 基于注意力门控的循环神经网络的单通道语音增强方法
CN110082725A (zh) 基于麦克风阵列的声源定位时延估计方法、声源定位系统
CN107333017B (zh) 一种重用权系数指数型误差自适应回声消除方法
CN106059531B (zh) 一种非负自适应滤波器
CN109600152A (zh) 一种基于子空间基变换的自适应波束形成方法
CN114420147A (zh) 基于比例总体自适应方法的回声消除器
CN104144269B (zh) 一种基于解相关的成比例自适应电话回声消除方法
CN108983144B (zh) 改进维纳滤波器及基于该滤波器进行目标方位的估计方法
CN108512528B (zh) 一种cim函数下的比例控制和归一化lmp滤波方法
Shi et al. Fusion feature extraction based on auditory and energy for noise-robust speech recognition
CN105070295A (zh) 一种活性因子成比例子带的自适应方法应用于回声消除
CN104410762A (zh) 免提通话系统中的稳健回声抵消方法
CN112886947A (zh) 一种变步长鲁棒仿射投影自适应滤波器
CN111796253A (zh) 基于稀疏信号处理的雷达目标恒虚警检测方法
Kang et al. Adaptive pulsar time delay estimation using wavelet-based RLS
CN103956992B (zh) 一种基于多步梯度下降的自适应信号处理方法
CN102223329B (zh) 基于分数低阶统计量的正交小波盲均衡方法
Jian et al. A adaptive beamforming design in low sample number conditions based on diagonal loading algorithm
CN107452393B (zh) 一种回声消除系统及方法
van der Veen et al. Rank detection thresholds for Hankel or Toeplitz data matrices
Tummala Efficient iterative methods for FIR least squares identification
CN110146847A (zh) 一种基于伪框架理论的强干扰信号抑制方法
Jamel et al. Noise canceller using a new modified adaptive step size LMS algorithm
Mawrie et al. Adaptive Noise Cancellation Technique in Signal Estimation using Particle Swarm Optimization

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201020