CN112803919B - 改进nlms算法的稀疏系统辨识方法和滤波器和系统 - Google Patents

Abstract

本发明公开了改进NLMS算法的稀疏系统辨识方法和滤波器和系统，用于无线通信系统中解决因为稀疏信道产生的回波问题，通过对估计滤波器迭代更新方程的ZA函数进行改进，使得ZA函数只包含加法、减法和乘法运算，相对于其他的ZASM‑NLMS算法，该算法更容易硬件实现，且复杂度更低，稳态均方差更低，稳定性更好，收敛速度更快。进一步，通过对SZASM‑NLMS算法ZA函数的ρ进行改进，若|e(n)|≤γ，则将ρ置零，得到的MZASM‑NLMS算法表现出与SZASM‑NLMS类似的性能。在硬件实现上，本发明提出的算法会有更快的数据处理速度，有利于要求高速度的硬件实现。

Description

改进NLMS算法的稀疏系统辨识方法和滤波器和系统

技术领域

本发明涉及自适应滤波技术领域，具体涉及改进NLMS算法的稀疏系统辨识方法和滤波器和系统。

背景技术

在无线通信中的回波抵消与系统辨识，这些都是未辨识的稀疏的未知系统，其中大多数系统的系数都为零或接近零，少部分系数非零。在数字多媒体广播无线通信系统中，在距离发射天线过远和楼房密度大的地方等，会存在弱信号或信号丢失。为了解决这种问题，就需要布置同频直放站，扩大信号覆盖范围，但存在有回波问题，且信道具有稀疏性。自适应滤波器在诸多的领域都有重要的应用，如医学听诊、回波抵消、信道均衡与系统辨识。Widrow率先提出了最小均方(Least Mean Square，LMS)算法，该算法结构简单且性能稳定，因此该算法得到了广泛的应用。由于LMS算法并没有考虑系统的稀疏性，所以在通信中的回波抑制中采用LMS算法，并不能很好的解决回波的问题。不仅仅在中，在许多实际应用中，诸多的系统辨识都具有稀疏结构。因此，Duttweiler提出了成比例归一化最小均方(Proportionate normalized least-mean-squares，PNLMS)算法，该算法引入了步长控制矩阵，虽然加快了初始的收敛速度，但是收敛速度很快就变慢，有时比常用的归一化最小均方(Normalized Least Mean Square，NLMS)算法还差。由此，学者们发现在稀疏系统中采用一种零吸引(Zero Attracting，ZA)算法，可以较好的解决问题，由Y.Chen提出ZA最小均方(Zero Attracting Least Mean Square，ZA-LMS)算法与重新加权的ZA最小均方(Reweighted Zero Attracting Least Mean Square，RZA-LMS)算法，分别引入了l₁与l₀范数，l₁范数对所有抽头系数都有零吸引力，l₀范数对零系数与非零系数有不同权重的吸引力，都加快了稀疏辨识算法的收敛速度，并提高了辨识精度。由此，该技术也扩展到了NLMS算法，不过由于NLMS算法的复杂度高，为降低NLMS算法的复杂度与加快算法的运行速度，Gollamudi提出了一种集成员归一化最小均方(Set-Membership Normalized Least MeanSquare，SM-NLMS)算法，该算法有较低的复杂度与快的收敛速度，但该算法没有考虑稀疏性。因此，Yingsong Li提出了一种零吸引集成员归一化最小均方(Zero Attracting Set-Membership Normalized Least Mean Square，ZASM-NLMS)算法与一种重新加权的集成员归一化最小均方(Reweighted Zero Attracting Set-Membership Normalized LeastMean Square，RZASM-NLMS)算法，所提算法在收敛速度与稳健性均优于传统的SM-NLMS算法，不过该算法需要实时进行除法运算，在硬件实现中，这种算法占用极大的资源且难以实现。为了提高ZASM-NLMS算法与RZASM-NLMS算法的收敛速度与减小分析稀疏信号的估计误差，Yingsong Li又提出一种软参数作用的集成员归一化最小均方算法(Finalized SoftParameter Functioned Set-Membership Normalized Least Mean Square，FSPFSM-NLMS)，不过在恶劣(非零系数较多，且系数是随机值)的稀疏系统，稳态均方差(MeanSquare error，MSE)性能会越来越差且稳定性差，且在硬件实现中需要进行实时的指数运算，极大的占用资源且十分难以硬件实现。

发明内容

本发明提供改进NLMS算法的稀疏系统辨识方法和滤波器和系统，用于无线通信系统中，通过对估计滤波器迭代更新方程的ZA函数进行改进，使得ZA函数只存在加法、减法和乘法运算，解决因为稀疏信道产生的回波问题，使NLMS算法的收敛速度快，复杂度低，稳定性高，稳态均方差更低，由此硬件处理速度快。

本发明通过下述技术方案实现：

在数字多媒体广播DMB通信系统中，在距离发射天线过远和楼房密度大的地方等，会存在弱信号或信号丢失。为了解决这种问题，就需要布置同频直放站，扩大信号覆盖范围，但存在有回波问题，且信道具有稀疏性。为解决同频直放站存在的问题，就可以采用自适应滤波算法解决该问题，自适应滤波算法已经广泛应用于系统辨识，回波抵消和自适应预测中，且都需要将算法在硬件中实现，而在硬件实现中，只能实现较易的加法、减法和乘法运算，其除法运算和指数运算则需要消耗大量的资源且极难的实现。现有的RZASM-NLMS算法和FSPFSM-NLMS算法则分别需要进行大量的除法与指数运算，而本发明通过改进ZA函数，提出了SZASM-NLMS算法使得ZA函数只存在加法、减法与乘法运算，极其便于硬件实现，消耗资源少，且使得算法的收敛速度快，复杂度低，稳定性高，稳态均方差更低，硬件处理速度快。

本发明改进NLMS算法的稀疏系统辨识方法，包括以下步骤：

步骤S1、获得发射台发射的功率为

的输入信号x(n)，组成输入信号向量X(n)＝[x(n)x(n-1)...x(n-L+1)]^T，其中，n代表信号序列数，L是滤波器长度；

步骤S2、将输入信号x(n)输入估计滤波器中，处理得到估计滤波器输出信号y(n)；将输入信号x(n)输入到无线稀疏通信信道中处理得到回波信号H^T(n)X(n)，并将所述回波信号与无线稀疏通信信道中的零均值高斯白噪声进行合成处理得到期望输出信号d(n)，其中，d(n)＝H^T(n)X(n)+n(n)，H(n)为无线稀疏通信信道的脉冲响应，n(n)是功率为

的零均值高斯白噪声；

步骤S3、对所述估计滤波器输出信号y(n)和所述期望输出信号d(n)进行处理得到误差输出信号e(n)；

步骤S4、将所述误差输出信号e(n)输入到估计滤波器中，利用SZASM-NLMS算法的估计滤波器系数的迭代更新方程使得估计滤波器W(n)的系数逼近无线稀疏通信信道H(n)的系数，最终将回波信号抵消，得到回波抵消的输出信号，将回波抵消的输出信号传输至信号接收终端，所述的SZASM-NLMS算法的估计滤波器系数的迭代更新方程为：

其中，e(n)＝d(n)-y(n)，y(n)＝W^T(n)X(n)，W(n)＝[w₀ w₁ ... w_L-1]^T是估计滤波器的系数，δ表示一个很小的正常数，防止被零除，ρ_SZ为零吸引函数的调节参数，

表示为：

其中，

γ为误差输出信号需要进行迭代的范围参数；当输出向量|e(n)|≥γ时，就进行迭代更新，使W(n)系数逼近H(n)的零系数，若|e(n)|≤γ时，保持W(n)系数不变；

Α_φ(W(n))函数为：

其中，φ和ξ为一个正数，

是一个固定的数。在现有技术RZASM-NLMS算法的ZA函数中，除法运算

是一个实时变化的除法运算，并不是一个固定的除数，在硬件中是很难实现的且消耗资源多，SZASM-NLMS算法中的ZA函数对估计滤波器较大系数进行缩小比例，对估计滤波器较小的系数进行放大比例，只存在了减法与乘法运算，极大的降低了硬件资源的消耗，在函数sgn[W(n)]中，虽然存在除法运算，但是该函数在硬件实现中，W(n)的系数会进行有符号位的二进制一定比特量化，可以直接判断符号位的值，即若符号位为‘1’，则表示W(n)此时的值为负数，直接将函数sgn[W(n)]赋值为‘-1’，反之亦然；因此，SZASM-NLMS算法极大的简化硬件实现的难度，降低了硬件资源的消耗。

进一步地，步骤S2中所述无线稀疏通信信道的脉冲响应具体为H(n)＝[h₀ h₁ ...h_L-1]，H(n)中大部分系数等于零或接近零，考虑到时变性，则向量H(n)表现为：

H(n+1)＝H(n)+q(n)，

其中，q(n)是功率为

的协方差零均值高斯白噪声，q(n)的自相关矩阵

I是单位矩阵，并且q(n)、X(n)与n(n)相互独立。

进一步地，为了降低硬件处理数据所带来的延时，加快数据的处理速度，对所述SZASM-NLMS算法的估计滤波器系数的迭代更新方程进行优化，得到MZASM-NLMS算法，当|e(n)|≤γ时，将W(n)赋值给W(n+1)，优化后的估计滤波器系数的迭代更新方程为：

其中定义U[ρ_SZ]为：

本发明提供改进NLMS算法的滤波器，该滤波器为估计滤波器，估计滤波器包括存储器和处理器，存储器内存储有被处理器执行对应于上述改进NLMS算法的稀疏系统辨识方法的模块。

另外，本发明提供改进NLMS算法的稀疏系统辨识系统，包括依次通信连接的信号接收模块、信号处理模块、信号发送模块、估计滤波器，其中，所述信号接收模块用于接收发射台发射的有用信号，将接收到的有用信号作为输入信号；估计滤波器为上述改进NLMS算法的滤波器；

所述信号处理模块用于对所述的估计滤波器的系数通过迭代方程逼近真实无线稀疏信道的系数，并进行回波抵消处理，得到回波抵消的输出信号；

所述信号发送模块用于将信号处理模块得到的回波抵消的输出信号传输至信号接收终端。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明改进NLMS算法的稀疏系统辨识方法和滤波器和系统，利用SZASM-NLMS算法的估计滤波器系数的迭代更新方程使得估计滤波器W(n)的系数一直逼近无线稀疏通信信道H(n)的系数，最终得到回波抵消的稀疏信道输出信号。SZASM-NLMS算法通过对估计滤波器迭代更新方程的ZA函数进行改进，使得ZA函数只存在加法、减法和乘法运算，使NLMS算法的收敛速度快，复杂度低，稳定性高，稳态均方差更低，硬件处理速度快。通过对SZASM-NLMS算法进行优化得到MZASM-NLMS算法，MZASM-NLMS算法表现出与SZASM-NLMS类似的性能，且在硬件实现上，会有一个更快的数据处理速度，对于一些要求高速度的硬件实现，该算法很有优势。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明一种具体实施例应用；

图2为稀疏系统辨识模型；

图3为MZASM-NLMS算法的结构图；

图4为一种实施例中平稳的稀疏信道P＝2和稀疏信道系数分别对应图(b)的H_i的MSD稳态仿真图；

图5为一种实施例中平稳的稀疏信道P＝4和稀疏信道系数分别对应图(b)的H_i的MSD稳态仿真图；

图6为一种实施例中平稳的稀疏信道P＝8和稀疏信道系数分别对应图(b)的H_i的MSD稳态仿真图；

图7为一种实施例中非平稳的稀疏信道中的P＝2和

稀疏信道的系数分别为图(b)中的H_i的MSD曲线图；

图8为一种实施例中非平稳的稀疏信道中的P＝4和

稀疏信道的系数分别为图(b)中的H_i的MSD曲线图；

图9为一种实施例中非平稳的稀疏信道中的P＝8和

稀疏信道的系数分别为图(b)中的H_i的MSD曲线图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

实施例1

在数字多媒体广播DMB通信系统中，在距离发射天线过远和楼房密度大的地方等，会存在弱信号或信号丢失。为了解决这种问题，就需要布置同频直放站，扩大信号覆盖范围，如图1所示，DMB发射平台发射出有用信号，传输到同频直放站，而同频直放站内含有一个估计滤波器，将输入信号经过滤波处理后又经过功放进行放大有用信号，再将有用信号发射到DMB接收终端。然而在同频直放站发射信号的时候，有一部分信号经过无线稀疏信道又传回了同频直放站的接收端，而这一部分信号会使得同频直放站产生自激，产生回波信号，且信道具有稀疏性。为解决同频直放站存在的问题，就可以采用自适应滤波算法解决该问题，自适应滤波算法已经广泛应用于系统辨识，回波抵消和自适应预测中，且都需要将算法在硬件中实现，而在硬件实现中，只能实现较易的加法、减法和乘法运算，其除法运算和指数运算则需要消耗大量的资源且极难的实现。现有的RZASM-NLMS算法和FSPFSM-NLMS算法则分别需要进行大量的除法与指数运算，而本发明通过改进ZA函数，提出了SZASM-NLMS算法使得ZA函数只存在加法、减法与乘法运算，极其便于硬件实现，消耗资源少，且使得算法的收敛速度快，复杂度低，稳定性高，稳态均方差更低，硬件处理速度快。

本发明改进NLMS算法的稀疏系统辨识方法，将本发明方法应用如图2所示的稀疏系统辨识模型中，包括以下步骤：

步骤S1、获得发射台发射的功率为

的输入信号x(n)，组成输入信号向量X(n)＝[x(n)x(n-1)...x(n-L+1)]^T，其中，n代表信号序列数，L是滤波器长度；

步骤S2、将输入信号x(n)输入估计滤波器中，处理得到估计滤波器输出信号y(n)；将输入信号x(n)输入到无线稀疏通信信道中处理得到回波信号H^T(n)X(n)，并将所述回波信号与无线稀疏通信信道中的零均值高斯白噪声进行合成处理得到期望输出信号d(n)，其中，d(n)＝H^T(n)X(n)+n(n)，H(n)为无线稀疏通信信道的脉冲响应，n(n)是功率为

的零均值高斯白噪声；

步骤S3、对所述估计滤波器输出信号y(n)和所述期望输出信号d(n)进行处理得到误差输出信号e(n)；

步骤S4、将所述误差输出信号e(n)输入到估计滤波器中，利用SZASM-NLMS算法的估计滤波器系数的迭代更新方程使得估计滤波器W(n)的系数逼近无线稀疏通信信道H(n)的系数，最终将回波信号抵消，得到回波抵消的输出信号，将回波抵消的输出信号传输至信号接收终端。

步骤S2中所述无线稀疏通信信道的脉冲响应具体为H(n)＝[h₀ h₁ ... h_L-1]，H(n)中大部分系数等于零或接近零，考虑时变性，向量H(n)表现为：

H(n+1)＝H(n)+q(n)， (1)

其中，q(n)是功率为

的协方差零均值高斯白噪声，q(n)的自相关矩阵

I是单位矩阵，并且q(n)、X(n)与n(n)相互独立。

现有技术中，各算法的估计滤波器系数迭代更新方程如下：

ZASM-NLMS算法的估计滤波器系数迭代更新方程为：

RZASM-NLMS算法的估计滤波器系数迭代更新方程为：

FSPFSM-NLMS算法的估计滤波器系数迭代更新方程为：

其中δ为一个很小的正常数，避免被零除，

和S'_β(W(n))的约束分别如下

S'_β(W(n))＝(β+1)e^(-β|W(n)|)sgn(W(n)) (6)

结合上述等式(2)、(3)、(4)，从硬件实现方面考虑，FSPFSM-NLMS算法含有大量的指数运算，在硬件上除法运算都需要消耗大量的资源，更何况更难实现的指数运算。RZASM-NLMS算法的ZA函数含有大量的除法运算，也极其的消耗硬件资源。本发明提出的SZASM-NLMS算法尽量的避免了除法和指数运算。

SZASM-NLMS算法的估计滤波器系数的迭代更新方程为：

其中，e(n)＝d(n)-y(n)，d(n)＝H^T(n)X(n)+n(n)，y(n)＝W^T(n)X(n)，W(n)＝[w₀ w₁... w_L-1]^T是估计滤波器的系数，δ表示一个很小的正常数，防止被零除，ρ_SZ为零吸引函数的调节参数，

表示为：

其中，

γ为允许的误差范围参数，当输出向量|e(n)|＞γ时，就进行迭代更新，使W(n)系数逼近H(n)的零系数，若|e(n)|≤γ时，保持W(n)系数不变；

Α_φ(W(n))函数为：

上述提出的SZASM-NLMS算法的估计滤波器系数迭代更新方程，SZASM-NLMS的ZA函数对估计滤波器较大系数进行缩小比例，对估计滤波器较小的系数进行放大比例，只存在了减法与乘法运算，极大的降低了硬件资源的消耗。函数sgn[W(n)]中，虽然存在除法运算，但是该函数在硬件实现中，W(n)的系数会进行有符号位的二进制一定比特量化，可以直接判断符号位的值，即若符号位为‘1’，则表示W(n)此时的值为负数，直接将函数sgn[W(n)]赋值为‘-1’，反之亦然。因此，SZASM-NLMS算法极大的简化硬件实现的难度，降低了硬件资源的消耗。

实施例2

如图3所示，本实施例与实施例1的区别在于，为了降低硬件处理数据所带来的延时，加快数据的处理速度，将SZASM-NLMS算法的估计滤波器系数的迭代方程进行了如下的优化：

其中

这一种再次改进算法称为MZASM-NLMS算法，从图3可以看出MZASM-NLMS算法的结构中大部分为加法、减法、乘法运算，对于硬件来说更易实现，处理速度更快。虽然MZASM-NLMS算法与SZASM-NLMS在后面仿真结果相似，但是从硬件实现的角度考虑，可以极大的加快硬件的处理数据的时间，当|e(n)|≤γ时，硬件就直接将W(n)赋值给W(n+1)，减少了计算ZA函数这一步，使得硬件能更快的达到系统的稳态。在硬件实现中，处理数据快是重要的指标之一，处理数据慢就会导致许多潜在的风险。

实施例3

本发明提供改进NLMS算法的滤波器，该滤波器为估计滤波器，估计滤波器包括存储器和处理器，存储器内存储有被处理器执行对应于上述改进NLMS算法的稀疏系统辨识方法的模块，具体实施方法在此就不一一赘述。

实施例4

本发明提供改进NLMS算法的稀疏系统辨识系统，实现上述实施例中的改进NLMS算法的稀疏系统辨识方法，包括依次通信连接的信号接收模块、信号处理模块、信号发送模块、估计滤波器，其中，所述信号接收模块用于接收发射台发射的有用信号，将接收到的有用信号作为输入信号；估计滤波器为实施例3中的改进NLMS算法的滤波器；

所述信号处理模块用于对所述的估计滤波器的系数通过迭代方程逼近真实无线稀疏信道的系数，并进行回波抵消处理，得到回波抵消的输出信号；

所述信号发送模块用于将信号处理模块得到的回波抵消的输出信号传输至信号接收终端。

为了更好的理解本发明的有益效果，本发明提供了对ZASM-NLMS，RZASM-NLMS，FSPFSM-NLMS，SZASM-NLMS，MZASM-NLMS算法在L＝16，P＝1,2,4,8，

(平稳信道)，

(非平稳信道)，稀疏信道系数为‘1’和稀疏信道的随机产生的系数时分别进行的仿真对比，测试SZASM-NLMS算法和MZASM-NLMS算法的性能和稳定性。

在实际的无线信道中，信道的每一个系数大小并不是恒定的，是随机值，信道都具有一定的非平稳度。性能测试以MSD(n)＝Tr(E{(W(n)-H(n))(W(n)-H(n))^T})为基准。附图中的参数分别是ρ_Z＝2×10^-3，ρ_R＝5×10^-3，ε＝10，ρ_SZ＝7×10^-3，ξ＝0.9，φ＝11，ρ_SPF＝9×10^-4，β＝10。如图4、图5、图6所示，对多变无线信道中的稀疏信道系数进行仿真，在平稳的稀疏信道中稀疏信道系数是随机产生的MSD稳态曲线图。从图4、图5、图6中可以明显看出，本发明提出的SZASM-NLMS和MZASM-NLMS算法表现出的性能极其稳定。

如图7、图8、图9所示对非平稳的稀疏信道进行仿真，信道的系数对5种算法的性能影响都极大。经过多次测试仿真对比发现，当

时，主要影响算法的性能便是稀疏信道的系数值。从图7、图8、图9中明显的可以看出，无论稀疏信道系数怎样变化，我们所提出的SZASM-NLMS和MZASM-NLMS算法都表现出最优越的性能与稳定。在现实中的无线通信，信道的系数是各种各样不均匀的系数值，从现实考虑我们所提出的SZASM-NLMS和MZASM-NLMS算法极其适合于硬件实现应用，两种算法在各种稀疏信道辨识系统都能表现出稳定的性能。SZASM-NLMS算法表现出最为优秀的性能，复杂度低，易实现，收敛速度快，稳定性高，消耗硬件资源少。MZASM-NLMS算法表现出与SZASM-NLMS类似的性能，且在硬件实现上，会有一个更快的数据处理速度，对于一些要求高速度的硬件实现，该算法很有优势。

由上述仿真结果可以理解的是本发明一种改进NLMS算法的稀疏系统辨识方法及系统，在现实中的无线通信，信道的系数是各种各样不均匀的系数值，提出SZASM-NLMS和MZASM-NLMS算法都表现出最优越的性能与稳定，在各种稀疏信道辨识系统都能表现出稳定的性能，极其适合于硬件实现应用。利用SZASM-NLMS算法的估计滤波器系数的迭代更新方程使得估计滤波器W(n)的系数逼近无线稀疏通信信道H(n)的系数，最终可以得到回波抵消的稀疏信道输出信号，SZASM-NLMS算法通过对估计滤波器迭代更新方程的ZA函数进行改进，使得ZA函数只存在加法、减法和乘法运算，使NLMS算法的收敛速度快，复杂度低，稳定性高，稳态均方差更低，硬件处理速度快。通过对SZASM-NLMS算法进行优化得到MZASM-NLMS算法，MZASM-NLMS算法表现出与SZASM-NLMS类似的性能，且在硬件实现上，会有一个更快的数据处理速度，对于一些要求高速度的硬件实现，该算法很有优势。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.改进NLMS算法的稀疏系统辨识方法，其特征在于，包括以下步骤：

步骤S1、获得发射台发射的功率为

的输入信号x(n)，组成输入信号向量X(n)＝[x(n)x(n-1)...x(n-L+1)]^T，其中，n代表信号序列数，L是滤波器长度；

步骤S2、将输入信号x(n)输入估计滤波器中，处理得到估计滤波器输出信号y(n)；将输入信号x(n)输入到无线稀疏通信信道中处理得到回波信号H^T(n)X(n)，并将所述回波信号与无线稀疏通信信道中的零均值高斯白噪声进行合成处理得到期望输出信号d(n)，其中，d(n)＝H^T(n)X(n)+n(n)，H(n)为无线稀疏通信信道的脉冲响应，n(n)是功率为

的零均值高斯白噪声；

步骤S3、对所述估计滤波器输出信号y(n)和所述期望输出信号d(n)进行处理得到误差输出信号e(n)；

步骤S4、将所述误差输出信号e(n)输入到估计滤波器中，利用SZASM-NLMS算法的估计滤波器系数的迭代更新方程使得估计滤波器W(n)的系数逼近无线稀疏通信信道H(n)的系数，最终将回波信号抵消，得到回波抵消的输出信号，将回波抵消的输出信号传输至信号接收终端，所述的SZASM-NLMS算法的估计滤波器系数的迭代更新方程为：

其中，e(n)＝d(n)-y(n)，y(n)＝W^T(n)X(n)，W(n)＝[w₀ w₁...w_L-1]^T是估计滤波器的系数，δ表示一个很小的正常数，防止被零除，ρ_SZ为零吸引函数的调节参数，

表示为：

其中，

γ为误差输出信号需要进行迭代的范围参数；

A_φ(W(n))函数为：

其中，φ和ξ分别为一个正数。

2.根据权利要求1所述的改进NLMS算法的稀疏系统辨识方法，其特征在于，步骤S2中所述无线稀疏通信信道的脉冲响应为H(n)＝[h₀ h₁...h_L-1]，则H(n)具体表现为：

H(n+1)＝H(n)+q(n)，

其中，q(n)是功率为

的协方差零均值高斯白噪声，q(n)的自相关矩阵

I是单位矩阵，并且q(n)、X(n)与n(n)相互独立。

3.根据权利要求1所述的改进NLMS算法的稀疏系统辨识方法，其特征在于，对所述SZASM-NLMS算法的估计滤波器系数的迭代更新方程进行优化，得到MZASM-NLMS算法，使得当|e(n)|≤γ，将W(n)赋值给W(n+1)，MZASM-NLMS算法的估计滤波器系数迭代更新方程为：

其中定义U(ρ_SZ)为：

4.改进NLMS算法的滤波器，其特征在于，所述滤波器为估计滤波器，估计滤波器包括存储器和处理器，存储器内存储有被处理器执行对应于权利要求1-3中任一所述的方法的模块。

5.改进NLMS算法的稀疏系统辨识系统，其特征在于，包括依次通信连接的信号接收模块、信号处理模块、信号发送模块、估计滤波器，其中，所述信号接收模块用于接收发射台发射的有用信号，将接收到的有用信号作为输入信号；估计滤波器为权利要求4所述的改进NLMS算法的滤波器；

所述信号处理模块用于对所述的估计滤波器的系数通过迭代方程逼近真实无线稀疏信道的系数，并进行回波抵消处理，得到回波抵消的输出信号；

所述信号发送模块用于将信号处理模块得到的回波抵消的输出信号传输至信号接收终端。

Images