论文部分内容阅读
自适应滤波算法是当今世界最具影响的研究热点之一。其中,传统自适应滤波算法,如LMS等,因其结构简单、性能稳定、计算复杂度低、易于实现等优点已经广泛的应用于自适应信号处理、机器学习等工程领域。他们很多都是在高斯噪声环境下表现优良的性能,而在非高斯噪声环境下,性能非常差。因此,如何构建鲁棒性算法日渐成为了自适应滤波研究的核心问题。本文以最小误差熵(Minimum Error Entropy,MEE)为重点研究内容,提出了若干鲁棒性自适应滤波算法,有效克服了传统自适应滤波算法在非高斯噪声环境下的不足。本文的重点研究内容如下:1.通信环境下的稀疏信道普遍存在,针对传统的稀疏自适应滤波算法只在高斯噪声环境下具有最优性能,提出了基于MEE的非高斯噪声环境下的稀疏自适应滤波两类算法:1)基于惩罚约束稀疏最小误差熵算法。以最小误差熵准则为基础,结合1l-范数,加权1l-范数以及互相关熵诱导维度(Correntropy Induced Metric,CIM)三种稀疏约束惩罚项,提出了零吸引最小误差熵算法、加权零吸引最小误差熵算法和互相关熵诱导维度最小误差熵算法等三种新的稀疏自适应滤波算法,并进行了收敛性分析,实验结果表明:该算法在解决非高斯噪声环境下的稀疏信道参数估计问题表现出优异的性能;2)基于MEE准则的系数比例稀疏自适应滤波算法。通过使用MEE来取代MSE作为自适应准则,并基于能量守恒关系进行收敛性分析得出了保证算法的均方稳定充分条件。实验结果表明:该算法在脉冲噪声干扰下具有较强的鲁棒性和跟踪能力。2.针对传统基于MEE自适应滤波算法在算法的精度和收敛速度相悖的问题,提出了基于凸组合MEE自适应滤波改进算法。该算法在继承了原有最小误差熵算法的鲁棒性能的同时,还有效的改善了算法的收敛速度。仿真结果验证了该算法的优越性能。本文基于最小误差熵准则,提出了惩罚约束稀疏自适应滤波算法、系数比例稀疏自适应滤波算法和凸组合自适应滤波算法,并对算法进行了收敛性分析。实验结果表明,本文提出的方法在非高斯噪声条件下具有良好的收敛性能。