CN112953463B - 受约束的带遗忘因子递归最大相关熵自适应滤波器 - Google Patents
受约束的带遗忘因子递归最大相关熵自适应滤波器 Download PDFInfo
- Publication number
- CN112953463B CN112953463B CN202110242991.4A CN202110242991A CN112953463B CN 112953463 B CN112953463 B CN 112953463B CN 202110242991 A CN202110242991 A CN 202110242991A CN 112953463 B CN112953463 B CN 112953463B
- Authority
- CN
- China
- Prior art keywords
- adaptive filter
- maximum correlation
- filter
- weight vector
- constrained
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种受约束的带遗忘因子递归最大相关熵自适应滤波器,属于数字滤波器设计领域。该滤波器由递归最小二乘法结合最大相关熵代价函数,采用拉格朗日乘子法推导得到。由于滤波器基于最小二乘法和最大相关熵准则,因而不仅可以获得较快的收敛速度,还能获得较强的鲁棒性。本发明公开的受约束的带遗忘因子递归最大相关熵自适应滤波器可以应用于受到脉冲噪声干扰的电子、通信和控制系统中。
Description
技术领域
本发明公开了一种自适应滤波器,具体地公开了受约束的带遗忘因子递归最大相关熵自适应滤波器,属于数字滤波器设计领域。
背景技术
系统辨识是自适应信号处理的一个重要分支,传统的自适应信道均衡、自适应噪声消除、自适应回声抵消、主动噪声控制等诸多问题都可以归结为系统辨识问题。在一些应用中,往往需要自适应滤波器满足特定的条件约束,常见的约束最小方差(LCMV)自适应滤波器是自适应波束形成中的常用方法。基于这一方法受约束最小均方(CLMS)滤波器被最早提出用于解决约束最优化问题。为了进一步提高收敛速度受约束递归最小二乘(CRLS)滤波器也被提出,并成功应用于线性相位系统辨识问题中。
但是,无论CLMS还是CRLS都是基于最小均方准则而推导的滤波器,属于基于二阶统计量而推导的滤波器,这样的滤波器在高斯噪声环境下可以表现出很好的性能,但是在非高斯环境,尤其是脉冲噪声环境下,滤波器性能将严重退化,为此一些基于高阶统计量的滤波器应运而生。Chen等人研究的最大相关熵准则,由于包含了数据的高阶统计特性,因此对脉冲噪声干扰具有较强的鲁棒性。结合约束问题,受约束最大相关熵(CMCC)滤波器被提出来[S.Peng,B.Chen,L.Sun,W.Ser,Z.Lin,Constrained maximum correntropy adaptivefiltering,Signal Processing 140(2017)116–126.],性能分析表明CMCC滤波器在不同噪声环境下具有很好的鲁棒性。
随后,Qian等人提出了递归形式的受约束最大相关熵滤波器,即CRMCC滤波器[G.Qian,X.Ning,S.Wang.Recursive Constrained Maximum Correntropy CriterionAlgorithm for Adaptive Filtering.IEEE Transactions on Circuits and SystemsII:Express Briefs,2020,67(10):2229-2233],从而提高滤波器的收敛速度。但是CRMCC滤波器不具备调节收敛速度和稳态失调的能力,因此在收敛速度较快的情况下,失调很大,从而造成自适应滤波器误差较大。
发明内容
本发明提出了一种新的受约束的带遗忘因子递归最大相关熵(简记为FC-CRMCC)滤波器。该滤波器采用递归最小二乘和最大相关熵来分别改善收敛速度和抗脉冲噪声的问题。运行时该FC-CRMCC滤波器更新权值向量采用如下方法:
在n=0时刻,所述自适应滤波器的权值向量wn初始化w0=0M,中间变量矩阵Ωn初始化为Ω0=δ-1IM,其中,0M是M维的零向量,IM是M维的单位矩阵,δ是大于零的正常数。
在n≥1时刻,所述自适应滤波器的权值向量更新包含以下步骤:
1)通过n时刻的输入信号xn和期望信号dn计算误差信号en,即其中,xn=[xn,xn-1,...xn-M+1]T为由输入信号的前M个样值{xn,xn-1,...xn-M+1}构成的输入向量,wn=[w0,n,w2,n,...wM-1,n]T为自适应滤波器的M个抽头系数构成的权值向量,T表示转置运算;
5)计算中间变量矩阵:Hn=(CTΩnC)-1CT,Gn=(CTΩnC)-1,Pn=(IM-ΩnCHn),其中,C是M×K维的约束矩阵;
6)根据表达式wn=Pn(wn-1+knen)+ΩnCGnf计算得到n时刻的权值向量wn,其中f是K维的响应向量。
有益效果
相对于现有CRLS滤波器,本发明提出的FC-CRMCC滤波器对脉冲噪声具有较好的鲁棒性。相对于CMCC滤波器,本发明提出的FC-CRMCC滤波器具有较快的收敛速度和较低的稳态失调。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明实施例的受约束的自适应滤波器结构原理图;
图2为本发明实施例的自适应滤波器环境噪声为脉冲发生概率为0.1的混合高斯脉冲噪声下的归一化均方误差的比较。
具体实施方式
实施例
本发明提出的FC-CRMCC滤波器其工作过程:首先采用基于递归最大相关熵代价函数的方法来更新未知系统的权值向量,采用拉格朗日乘子法计算受约束的最优权向量的迭代更新表达式。
本实施例采用计算机实验的方法验证FC-CRMCC滤波器的性能。实验中使用本发明公开的FC-CRMCC滤波器在混合高斯脉冲噪声干扰的环境下实现波束形成问题,并将其性能与CRLS和CMCC自适应滤波器的性能进行对比。本申请实施方式公开的FC-CRMCC自适应滤波器采用如下方式解决系统辨识问题:
在n=0时刻,所述自适应滤波器的权值向量wn初始化w0=0M,中间变量矩阵Ωn初始化为Ω0=δ-1IM,其中,0M是M维的零向量,IM是M维的单位矩阵,δ是大于零的正常数。
在n≥1时刻,所述自适应滤波器的权值向量更新包含以下步骤:
1)通过n时刻的输入信号xn和期望信号dn计算误差信号en,即其中,xn=[xn,xn-1,...xn-M+1]T为由输入信号的前M个样值{xn,xn-1,...xn-M+1}构成的输入向量,wn=[w0,n,w2,n,...wM-1,n]T为自适应滤波器的M个抽头系数构成的权值向量,T表示转置运算;
5)计算中间变量矩阵:Hn=(CTΩnC)-1CT,Gn=(CTΩnC)-1,Pn=(IM-ΩnCHn),其中,C是M×K维的约束矩阵;
6)根据表达式wn=Pn(wn-1+knen)+ΩnCGnf计算得到n时刻的权值向量wn,其中f是K维的响应向量。
为了验证算法的抗脉冲性,本文选择了混合高斯脉冲噪声环境进行自适应系统辨识的实验。图中仿真得到的归一化均方误差曲线由100次独立迭代取平均值获得,即算法的性能测度为NSD=10log10[||wn-wo||2/||wo||2]。
实验中约束矩阵C是列满秩矩阵,响应向量为f。实验中采用的混合高斯脉冲噪声信号vn包含一个零均值,方差的高斯白噪声γn和一个脉冲噪声zn,即vn=γn+zn。脉冲噪声zn由伯努利高斯过程产生,即zn=ξnψn,其中ξn为伯努利过程,并且伯努利过程产生1的概率为0.05,产生0的概率为0.95,ψn为零均值的高斯白噪声,其方差为100。
根据图2可知,在混合高斯脉冲噪声环境下本申请实施方式的FC-CRMCC滤波器相较于CRLS滤波器,具备良好的抗脉冲性能。另外,本申请实施方式的FC-CRMCC滤波器相较于CMCC滤波器具备较快的收敛速度和较低的稳态失调。
由实验结果可知:本发明公开的FC-CRMCC自适应滤波器在混合高斯脉冲噪声环境下,仍然具有较强的抗脉冲能力,而且收敛速度和稳态失调都优于CMCC算法,而CRLS滤波器的收敛能力远远没有达到要求。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (1)
1.受约束的带遗忘因子递归最大相关熵自适应滤波器,其特征在于:所述自适应滤波器采用递归最小二乘法和最大相关熵准则建立并进行权值向量更新,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110242991.4A CN112953463B (zh) | 2021-03-05 | 2021-03-05 | 受约束的带遗忘因子递归最大相关熵自适应滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110242991.4A CN112953463B (zh) | 2021-03-05 | 2021-03-05 | 受约束的带遗忘因子递归最大相关熵自适应滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112953463A CN112953463A (zh) | 2021-06-11 |
CN112953463B true CN112953463B (zh) | 2023-06-23 |
Family
ID=76247743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110242991.4A Active CN112953463B (zh) | 2021-03-05 | 2021-03-05 | 受约束的带遗忘因子递归最大相关熵自适应滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112953463B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113541650B (zh) * | 2021-06-23 | 2024-03-15 | 苏州大学 | 稀疏线性约束递归最大相关熵自适应滤波器 |
CN115277315B (zh) * | 2022-07-21 | 2023-08-25 | 北京中科晶上科技股份有限公司 | Lmmse信道估计方法、装置和信号处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976806A (zh) * | 2016-04-26 | 2016-09-28 | 西南交通大学 | 基于最大熵的有源噪声控制方法 |
CN107592096A (zh) * | 2017-09-29 | 2018-01-16 | 苏州大学 | 一种鲁棒偏差补偿自适应滤波器及其滤波方法 |
CN110190831A (zh) * | 2019-06-09 | 2019-08-30 | 苏州大学 | 一种混合范数非负自适应滤波器 |
CN111277244A (zh) * | 2020-02-06 | 2020-06-12 | 苏州大学 | 一种变步长零吸引归一化双符号自适应滤波器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3707443B2 (ja) * | 2002-03-28 | 2005-10-19 | 日本電気株式会社 | 適応忘却係数制御適応フィルタ、および忘却係数適応制御方法 |
-
2021
- 2021-03-05 CN CN202110242991.4A patent/CN112953463B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976806A (zh) * | 2016-04-26 | 2016-09-28 | 西南交通大学 | 基于最大熵的有源噪声控制方法 |
CN107592096A (zh) * | 2017-09-29 | 2018-01-16 | 苏州大学 | 一种鲁棒偏差补偿自适应滤波器及其滤波方法 |
CN110190831A (zh) * | 2019-06-09 | 2019-08-30 | 苏州大学 | 一种混合范数非负自适应滤波器 |
CN111277244A (zh) * | 2020-02-06 | 2020-06-12 | 苏州大学 | 一种变步长零吸引归一化双符号自适应滤波器 |
Also Published As
Publication number | Publication date |
---|---|
CN112953463A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112953463B (zh) | 受约束的带遗忘因子递归最大相关熵自适应滤波器 | |
CN111884625B (zh) | 一种变步长稀疏增广复数自适应滤波器 | |
CN111277244B (zh) | 一种变步长零吸引归一化双符号自适应滤波器 | |
CN111859795B (zh) | 针对功率放大器的多项式辅助神经网络行为建模系统及方法 | |
Liu et al. | Robust Geman-McClure based nonlinear spline adaptive filter against impulsive noise | |
Nagesha et al. | On frequency estimation with the IQML algorithm | |
Gupta et al. | Performance analysis of speech enhancement using LMS, NLMS and UNANR algorithms | |
CN113114865A (zh) | 一种组合函数链接型的核自应非线性回声消除方法 | |
Li et al. | A Robust Decision Directed Algorithm for Blind Equalization Under $\alpha $-Stable Noise | |
CN102724152B (zh) | 基于Laguerre结构的多项式自适应有源噪声对消方法 | |
CN110190831B (zh) | 一种混合范数非负自适应滤波器 | |
CN113541650B (zh) | 稀疏线性约束递归最大相关熵自适应滤波器 | |
CN112003588A (zh) | 基于多态可变步长归一化均方的自适应信号滤波方法 | |
Cousseau et al. | Efficient nonlinear Wiener model identification using a complex-valued simplicial canonical piecewise linear filter | |
CN111181531B (zh) | 一种变正则化偏差补偿符号子带自适应滤波器 | |
CN110034747B (zh) | 鲁棒的复数比例符号自适应滤波器 | |
CN113452350A (zh) | 一种变步长块稀疏仿射投影自适应滤波器 | |
Zhao et al. | Evolving Order Based Affine Projection Sign Algorithm For Enhanced Adaptive Filtering | |
Carusone et al. | Digital LMS adaptation of analog filters without gradient information | |
CN114094987A (zh) | 基于改进tanh函数的变步长LMP自适应滤波算法 | |
Sicuranza et al. | A variable-step adaptation algorithm for memory-oriented Volterra filters | |
CN113541649B (zh) | 变步长核符号误差自适应滤波器 | |
CN111682924A (zh) | 一种采用期望传播的双向频域Turbo均衡方法 | |
CN116169983A (zh) | 约束总体最小对数双曲余弦自适应滤波器 | |
CN114785650B (zh) | 一种新型盲相位搜索算法结构及实现方法 |
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 |