自适应算法及应用研究

论文摘要

自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。寻求收敛速度快,计算复杂度低,数值稳定性好的自适应滤波算法是研究人员不断努力追求的目标。本文主要对自适应算法以及应用进行了研究和分析。首先在论述自适应滤波基本原理的基础上,介绍了几种典型的自适应滤波算法及其应用。并对这些自适应滤波算法的性能特点进行比较,给出了算法性能的综合评价。其次对传统的LMS(Least Mean Square)算法进行了详细地分析。并针对该算法中步长选取影响收敛速度与稳态误差的这一对矛盾,提出了一种改进的归一化变步长LMS算法。仿真试验证实了新算法性能的提高。最后,结合实际应用,详细地介绍了线性约束LMS算法,并在FIR滤波器上运用了该算法实现了强杂波背景下信号的提取。

论文目录

• 摘要
• Abstract
• 致谢
• 第一章 绪论
• 1.1 课题来源及研究意义
• 1.2 自适应滤波理论与算法的概述
• 1.2.1 基于维纳滤波理论的方法
• 1.2.2 基于卡尔曼滤波理论的方法
• 1.2.3 基于最小二乘法则的方法
• 1.2.4 基于小波变换的方法
• 1.2.5 基于模糊神经网络的方法
• 1.3 本课题研究的主要任务
• 第二章 自适应算法研究及分析
• 2.1 自适应滤波基本概念
• 2.2 自适应滤波算法介绍
• 2.2.1 变步长LMS滤波算法介绍
• 2.2.2 变换域LMS算法
• 2.2.3 仿射投影算法
• 2.2.4 RLS自适应滤波算法
• 2.2.5 基于QR分解的RLS算法
• 2.2.6 归一化格型RLS算法
• 2.2.7 基于子带分解的自适应滤波算法
• 2.2.8 其他自适应滤波算法
• 2.3 本章小结
• 第三章 基于LMS的自适应算法
• 3.1 引言
• 3.2 LMS算法性能分析
• 3.2.1 LMS算法
• min与滤波器阶数N及输入信号特性的关系'>3.2.2 ξ_min与滤波器阶数N及输入信号特性的关系
• 3.3 改进的归一化变步长LMS算法
• 3.3.1 NVS算法和MNVS算法
• 3.3.2 改进的归一化变步长LMS算法
• 3.3.3 仿真结果及分析
• 3.4 本章小结
• 第四章 约束LMS算法
• 4.1 引言
• 4.2 约束LMS算法的基本原理
• 4.3 收敛性分析
• 4.4 本章小结
• 第五章 自适应算法的实际运用
• 5.1 引言
• 5.2 约束LMS算法的应用分析
• 5.3 实验仿真
• 5.4 仿真结果分析
• 5.5 本章小结
• 第六章 结论与展望
• 参考文献