论文部分内容阅读
传统的自适应算法主要包括最小均方(Least Mean Square,LMS)算法和递归最小二乘(Recursive Least Square,RLS)算法。与RLS算法相比,LMS因具有结构简单、易实现的优点而被广泛的应用。作为LMS算法的重要改进算法,归一化最小均方(Normalized Least Mean Square,NLMS)算法的收敛速度比LMS算法收敛速度快。但是,当系统是稀疏系统时,LMS和NLMS算法收敛缓慢。比例类稀疏自适应算法通过利用系统稀疏性的先验知识,加快了NLMS算法的收敛速度,例如比例归一化最小均方算法(Proportionate Normalized Least Mean Square,PNLMS)和改进的比例归一化最小均方算法(Improved Proportionate Normalized Least Mean Square,IPNLMS)等等。虽然在高斯噪声环境下,相比LMS算法和NLMS算法,PNLMS算法在应用于稀疏自适应系统时具有明显较快的收敛速度,但是在非高斯冲激噪声环境下,传统的比例类算法的性能严重恶化,甚至算法不收敛。同时,当输入信号是特征分散度较大的信号时,传统的比例类算法的收敛速度变慢。针对比例类算法的这两个缺陷,本文给出以下的解决方案:第一,利用最大相关熵准则(Maximum Correntropy Criterion,MCC)和反正切归一化最小均方算法(Arc-tangent Normalized Least Mean Square,Arc-NLMS)分别将传统的PNLMS算法的比例增益矩阵结合在MCC和Arc-NLMS算法的代价函数中,提出具有抗冲激噪声干扰性能的比例最大相关熵(Proportionate Maximum Correntropy Criterion,PMCC)和比例反正切归一化算法(Proportionate Arc-tangent Normalized Least Mean Square,P-Arc-NLMS)。并通过收敛条件分析、计算复杂度分析和计算机仿真实验验证提出算法的收敛性能。第二,对遗漏最小均方算法(Leaky Least Mean Square,LLMS)的进行研究分析。在结合MCC算法准则的同时,进一步在改进的代价函数中引入遗漏因子,提出了PLLMS-MCC算法,使传统的比例算法在非高斯冲激干扰下输入特征分散度较大的信号时也能保持较好的收敛性能。此外,当输入信号为特征分散的信号时,针对提出的比例类遗漏算法计算复杂度相对较大的问题,本文提出基于符号类的遗漏稀疏自适应算法,并进行仿真及结果分析。