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。     

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。     

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。     

自适应步长EASI算法研究及改进

EASI算法（一种在线LMS）是很重要的盲信号分离（BSS）算法,总结了EASI算法应用于盲信号分离的优点与不足,并提出了利用模拟退火策略有效地结合两种步长的优点,在初期快速下降,在后期精确收敛。结果表明,在该实验中使用模拟退火策略来调整学习率简单有效。