基于自适应滤波算法的变稀疏度的系统辨识研究

论文摘要

系统辨识是自适应滤波最广泛的应用之一,同时系统辨识研究也是一个极具挑战性的问题,特别是在系统冲激响应还是稀疏的情况下。在非高斯噪声中,针对于稀疏冲激响应的系统辨识,PLMP（Proportionate Least Mean-power）算法具有很好的滤波特性。然而在实际应用中,系统的稀疏度并不是一成不变的。PLMP算法在时变稀疏度系统下不能保证滤波性能一直最好。为避免现有的PLMP算法在稀疏度变化情况下滤波器收敛速度降低,提出了改进的PLMP（Improved PLMP,IPLMP）算法。IPLMP算法在稀疏度较小时,由传统自适应滤波算法LMP（Least Mean-power）算法起主导作用;当系统稀疏度较大时,PLMP算法起主导作用。IPLMP算法很好的适应了系统稀疏度变化的环境。本文从以下三个方面对IPLMP算法进行了优化:（1）为了加快系统权值更新的稀疏化速度,本文在IPLMP算法的代价函数基础上加上了权值系数的l1-范数,即采用权值系数的l1-范数度量系统稀疏特性,得到了COST-ZAIPLMP算法。然而该范数并不是有效的稀疏性度量标准。由于-律和相关熵诱导度量（Correntropy Induced Metric,CIM）是两种对稀疏特性良好的逼近方法,进一步提出两种改进的算法:COST-RZAIPLMP算法和COST-CIMIPLMP算法。改进代价函数后的三种算法具有比IPLMP算法更快的收敛速度和更低的稳态误差。（2）为了获得更精准的步长因子,针对IPLMP算法中根据系统稀疏度调节算法的步长控制矩阵元素使用权值系数的l1-范数,引入μ-律和CIM这两种方法,提出了另两种算法:μ-IPLMP算法和CIM-IPLMP算法。为了深刻分析这两种算法,对μ-IPLMP算法和CIM-IPLMP算法做了性能分析。对于稀疏系统,μ-IPLMP算法和CIM-IPLMP算法具有更好的滤波特性。（3）由于IPLMP算法和CIM-IPLMP算法需要提前设置随系统稀疏度调节参数的值,提前给定的值并不一定适应当前系统的稀疏度。引入时变参数,提出了IPLMP-β-vary算法和CIM-IPLMP-β-vary算法,它们能自适应系统稀疏度程度来调节算法。以减少CIM-IPLMP算法的计算量为目的,使用CIM-IPLMP算法中的步长控制矩阵元素的一阶泰勒展开式,得到CIM-IPLMP-TAYLAR算法。CIM-IPLMP-TAYLAR算法和时变的随系统稀疏度调节算法的参数结合,得到CIM-IPLMP-TAYLAR-β-vary算法。仿真结果证明了这几种算法的有效性。通过实验结果表明,与现有的LMP、PLMP算法相比,本文所提算法在非高斯噪声环境下的稀疏变化系统中可以实现更快的收敛速度以及较为精准的稳定均方性能。

论文目录

文章来源

类型: 硕士论文

作者: 张静静

导师: 张洪斌

关键词: 稀疏系统辨识,非高斯噪声,收敛性分析

来源: 电子科技大学

年度: 2019

分类: 基础科学,信息科技

专业: 非线性科学与系统科学,无线电电子学

单位: 电子科技大学

分类号: TN713;N945.14

总页数: 77

文件大小: 3845K

下载量: 52

相关论文文献

• [1].一种基于能量的压缩感知稀疏度估计算法[J]. 电子学报 2017(02)
• [2].稀疏度未知压缩信号快速重构方案[J]. 控制工程 2018(04)
• [3].稀疏度自适应的广义正交匹配追踪算法[J]. 现代计算机(专业版) 2018(23)
• [4].基于压缩感知的未知稀疏度信号重构方法[J]. 数据通信 2016(02)
• [5].一种基于结构稀疏度的图像块分类方法[J]. 现代计算机(专业版) 2016(17)
• [6].稀疏度自适应的宽带压缩频谱感知方法[J]. 电信科学 2014(03)
• [7].变比例的稀疏度自适应匹配追踪算法[J]. 通信技术 2019(07)
• [8].一种结构化压缩感知中的稀疏度自适应算法[J]. 信息通信 2019(08)
• [9].一种稀疏度自适应的稀疏傅里叶变换算法[J]. 计算机工程 2018(02)
• [10].一种基于稀疏度估计的自适应压缩频谱感知算法[J]. 测控技术 2018(07)
• [11].基于压缩感知的稀疏度自适应图像修复探究[J]. 电脑知识与技术 2017(07)
• [12].一种改进的稀疏度自适应匹配追踪算法[J]. 信号处理 2012(01)
• [13].压缩感知信号盲稀疏度重构算法[J]. 电子学报 2011(01)
• [14].面向压缩感知的块稀疏度自适应迭代算法[J]. 电子学报 2011(S1)
• [15].基于压缩感知的稀疏度自适应匹配追踪改进算法[J]. 控制与决策 2018(09)
• [16].平滑零范数稀疏度约束下的盲稀疏回溯重构算法[J]. 宇航学报 2013(03)
• [17].稀疏度自适应回溯追踪算法改进[J]. 软件导刊 2019(08)
• [18].一种稀疏度自适应的压缩感知信道估计算法[J]. 合肥工业大学学报(自然科学版) 2016(08)
• [19].基于块稀疏度与自适应迭代的压缩感知方法[J]. 电讯技术 2020(02)
• [20].基于改进的稀疏度自适应振动数据修复方法[J]. 振动与冲击 2019(16)
• [21].基于稀疏度自适应算法的压缩感知[J]. 探测与控制学报 2017(05)
• [22].稀疏度拟合的自适应图像并行压缩感知算法[J]. 计算机辅助设计与图形学学报 2019(08)
• [23].基于指数试探的稀疏度自适应匹配追踪算法[J]. 火力与指挥控制 2019(03)
• [24].基于半监督假设的半监督稀疏度量学习[J]. 计算机应用与软件 2019(10)
• [25].一种改进的稀疏度估计变步长匹配追踪算法（英文）[J]. Journal of Southeast University(English Edition) 2016(02)
• [26].基于压缩采样匹配追踪的稀疏度和稀疏信道联合估计[J]. 四川大学学报(工程科学版) 2014(01)
• [27].基于压缩感知的稀疏度自适应图像修复[J]. 铁道学报 2014(09)
• [28].一维非均匀采样信号可变稀疏度傅里叶重建算法研究[J]. 微电子学与计算机 2012(07)
• [29].基于稀疏度特征的短时电能质量扰动信号重构方法[J]. 电测与仪表 2018(20)
• [30].基于波浪式矩阵置换的稀疏度均衡分块压缩感知算法[J]. 计算机应用 2018(12)

标签：稀疏系统辨识论文;  非高斯噪声论文;  收敛性分析论文;