输入信号的方向向量出现偏差时,最小均方误差算法会出现收敛速度慢、输出性能下降、不稳定等问题.本文针对这些问题,对传统lms(least mean squares)算法进行了改进,提出了基于Bayesian方法的鲁棒约束lms算法.该算法利用信号的先验信息...
详细信息
输入信号的方向向量出现偏差时,最小均方误差算法会出现收敛速度慢、输出性能下降、不稳定等问题.本文针对这些问题,对传统lms(least mean squares)算法进行了改进,提出了基于Bayesian方法的鲁棒约束lms算法.该算法利用信号的先验信息对实际信号方向向量进行估计,有效地抑制了方向向量偏差的影响,并提高了系统的鲁棒性.阵列输出的信干噪比得到了改善,更加接近最优值.仿真实验验证了该算法的有效性和可行性.
自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。寻求收敛速度快,计算复杂度低,数值稳定性好的自适应滤波算法是研究人员不断努力追求的目标。本文主要对自适应算法以及应用进行了研究和分析。
首先在论述自适应滤波基本原理的基础上,介绍了几种典型的自适应滤波算法及其应用。并对这些自适应滤波算法的性能特点进行比较,给出了算法性能的综合评价。其次对传统的lms(Least Mean Square)算法进行了详细地分析。并针对该算法中步长选取影响收敛速度与稳态误差的这一对矛盾,提出了一种改进的归一化变步长lms算法。仿真试验证实了新算法性能的提高。最后,结合实际应用,详细地介绍了线性约束lms算法,并在FIR滤波器上运用了该算法实现了强杂波背景下信号的提取。
暂无评论