汽车车内降低噪声主动控制泄露LMS算法

泄露变步长最小均方算法是一种改进型LMS算法,克服了LMS算法无法同时兼顾收敛速度和稳态误差的的固有缺陷。提出一种基于泄露变步长LMS算法的汽车车内噪声主动控制方法,并将基于LMS算法和泄露变步长LMS算法的汽车车内噪声主动控制结果进行比较,结果表明:与LMS算法相比,泄露变步长LMS算法具有更快的算法收敛速度和较小的稳态误差,可有效进行汽车车内噪声主动控制。     

一种自适应LMS滤波的改进算法

在传统的LMS(Least Mean Square)算法中,固定步长选取影响收敛速度与稳态误差,而且两者不可兼得.为此,本文提出了一种改进的LMS算法.在计算机仿真自适应信道均衡中,该算法的性能明显优于传统的LMS算法,而计算量增加甚少.理论分析与计算机模拟证实了该算法的优越性.     

基于步长优化的自适应谐波电流检测方法

谐波电流精确检测是有源电力滤波器性能优化的关键。本文在自适应噪声对消技术的框架内,提出了一种步长优化的变步长最小均方误差(Least Mean Square,LMS)谐波电流检测算法。首先,采用Sigmoid二次型函数构建步长因子的动态调整规则,实现不同误差情况下的自适应稳态调谐,并通过引入误差的三次方二次项的形式,增强了小误差的收敛速度,降低误差收敛的震荡现象;接着,通过误差信号的变化处理,降低了噪声功率对收敛曲线的震荡效应,实现了滤波器权系数的迭代优化。仿真结果表明,本文方法有效提升了谐波电流的检测精度,较好的折中了收敛速度与稳态失调误差的矛盾。     

一种基于钟形函数的变步长LMS算法

在干扰消除背景下,提出了一种基于钟形函数的变步长LMS自适应滤波算法。通过理论分析和计算机仿真验证了该算法在提高收敛速度和减小稳态误差上的优越性,并分析了参数选取对算法性能的影响。     

汽车车内噪声主动控制归一化LMS算法

通过对汽车车内噪声采集试验数据进行分析,运用最小均方(LMS)算法和归一化LMS算法,分别对自适应滤波器中的权向量按照最速下降算法进行更新,并利用建立的自适应滤波器进行汽车车内噪声主动控制。通过比较汽车车内噪声主动控制结果,表明:与LMS算法相比,归一化LMS算法具有更快的算法收敛速度和较小的稳态误差,其收敛速度提高58.3%,其稳态误差降低62.5%。     

一种改进的LMS算法

在一种变步长LMS算法的基础上,引进动量因式,提出了一种新的改进LMS的算法。新算法整体性能优于变步长LMS算法以及LMS算法。通过理论分析,比较了新的算法和变步长LMS算法以及LMS算法的收敛性和稳态性,提出了一种设想以提高新算法的稳态性。仿真试验证明了新算法的优越性以及设想的在仿真条件下的正确性。     

基于变步长LMS的频域干扰抑制算法的研究

基于对时域变步长LMS算法、频域块LMS算法的研究分析,给出了一种新的基于变步长频域块LMS的干扰抑制算法,仿真结果和分析表明能实现更好的收敛速度和更小的有用信号损失,并且计算复杂度低,利于工程实现。     

基于分离度的步长自适应EASI算法

首先定义了描述信号分离状态的分离度,并利用分离度作为参数来控制EASI算法中的步长因子,从而提出了一种基于分离状态的步长自适应EASI盲源分离算法。由于该算法步长是基于分离度的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于其它固定步长或变步长的EASI算法。     

基于分离矩阵的步长自适应EASI算法

首次提出将分离矩阵用于对在线盲分离算法中步长自适应控制,并在认真分析相关固定步长和变步长EASI算法的基础上,将其加以运用,提出了一种新的步长自适应EASI算法。该算法步长是基于分离矩阵的,其学习速率由信号的分离程度自适应地选取,因而能很好地解决收敛速度和稳态误差之间的矛盾。计算机仿真结果与理论分析相一致,证实了该算法明显优于其他固定步长或变步长的EASI算法。     

一种改进的步长自适应EASI算法

首先定义了描述信号分离状态的一种测度，并在认真分析相关固定步长和变步长EASI算法的基础上，将其加以运用，提出一种新的步长自适应EASI算法。由于该算法步长是基于分离状态的，其学习速率由信号的分离程度自适应的选取，因而能很好地解决收敛速度和稳态误差之问的矛盾。计算机仿真结果与理论分析相一致，证实了该算法明显优于其它的EASI算法。