基于计算动词理论的变步长LMS自适应算法及其仿真姓名：.pptVIP

基于计算动词理论的变步长LMS自适应算法及其仿真 姓名： 张德鑫 指导老师： 杨涛 廖英豪 主要内容 自适应滤波器 基本LMS算法 高鹰、谢胜利变步长LMS算法 基于计算动词理论的变步长LMS算法 计算机仿真及结果分析 自适应滤波器 定义：根据环境的改变，使用自适应算法来改变滤波器的参数和结构。这样的滤波器就称之为自适应滤波器。 特征：它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。 自适应滤波器 自适应滤波的原理图 基本LMS算法 基本LMS算法的迭代公式如下 ： 基本LMS算法 基本LMS算法的缺陷： 固定步长大时，自适应滤波器的稳态误较大；固定步长小时，收敛速度和跟踪速度较慢；抗干扰性差。 改进的思想： 改变步长 利用抗干扰因子作为调节参量 高鹰、谢胜利变步长LMS算法  高鹰、谢胜利变步长LMS算法： 其中， 控制u的横向， 控制u的纵向 基于计算动词理论的变步长LMS算法 Verb rules * IF |J(n)| stay THEN μstay 1) IF |J(n)| stay in a small range THEN μ stay as constant * IF |J(n)| decrease THEN μ decrease However |J(n)| decrease μ decrease linearly IF μ decreased to 0 THEN μkeep constant * IF |J(n)| increase THEN μ increase IF |J(n)| increase slowly THEN μ increase slowly IF |J(n)| increase fast THEN μ increase fast IF |J(n)| increase too much THEN μ increase to a maximum value 主要内容 将上述表示为以下的数学关系式 若 -ξΔ|J(n)|ξ, 则 μ(n+1)=μ(n) 若 Δ|J(n)|≤-ξ, 则 μ(n+1)=μ(n)-Δμ0 若 ξ≤Δ|J(n)|≤J1, 则μ(n+1)=μ(n)+Δμ1 若 J1Δ|J(n)|, 则 μ(n+1)=μ(n)+Δμ2 若 |J(n)|J_limit AND |J(n-1)|J_limit, 则 μ(n+1)=μmax 若 |J(n)|≤0, 则 μ(n+1)=μ(n) 式中J(n)=e(n)e(n-1) 即为抗干扰因子 计算机仿真及结果分析 各类算法的学习曲线比较： 计算机仿真及结果分析 把自适应滤波器的整个自适应学习过程划分为四种状态：快速收敛阶段、次快速收敛阶段、次稳态阶段、稳态阶段。 计算机仿真及结果分析 计算机仿真及结果分析 次快速收敛阶段参数比较 计算机仿真及结果分析 总结 本文以误差e(n)与e(n-1)的自相关估计J(n)的绝对值|J(n)|为计算动词，根据变步长LMS算法基本上的调整原则建立相应的动词规则，即在|J(n)|较大时，步长应较大，以便有较快的的收敛速度或对时变系统的跟踪速度，在|J(n)|较小时，应保持很小的调整步长以达到很小的稳态误调噪声，然后根据动词规则进行数学模型的建立，完成本文的算法设计。 谢 谢！ Company Logo LOGO 其中u是固定步长，W(n)是权系数， d(n)是期望输出，X(n)是输入信号 快速收敛阶段 快速收敛阶段参数比较： if (j(n)j_limit) (j(n-1)j_limit) mu(n)=mu(1); 次稳态阶段参数修改 素材天下 素材天下 素材天下 素材天下 素材天下 素材天下 素材天下 Company Logo