發(fā)布時間：2020-12-07 01:43

　　自適應濾波器在工程實踐中廣泛地應用于系統(tǒng)辨識,預測,逆向建模和干擾相消等方面。在常見的自適應濾波算法中傳統(tǒng)的最小均方算法（Least Mean Square,LMS）算法具有計算簡單,收斂快,易于實現(xiàn)等優(yōu)點。但是,當LMS算法遇到稀疏系統(tǒng)時性能迅速衰退,主要體現(xiàn)為收斂速度變慢,穩(wěn)態(tài)誤差增大。本文在對稀疏自適應濾波算法進行學習和對比后針對范數(shù)約束類算法存在的如下問題進行研究:1.基于₁l范數(shù)及₀l范數(shù)約束的稀疏自適應濾波算法對大抽頭系數(shù)吸引力過大同時對小抽頭系數(shù)吸引力不足,這導致算法的穩(wěn)態(tài)誤差較大,當系統(tǒng)的稀疏度降低時體現(xiàn)的尤為明顯。2.當步長固定時,算法不能同時保證較快的收斂速度和較低的穩(wěn)態(tài)誤差。首先,本文簡要闡述了自適應濾波理論基礎并分析了經(jīng)典的基于低階范數(shù)約束的稀疏自適應濾波算法。其次,針對范數(shù)約束類稀疏自適應算法由于約束項本身性能不佳帶來的穩(wěn)態(tài)誤差問題,本文提出一種基于修正的柯西分布函數(shù)約束的稀疏自適應算法（Cauchy distribution function-penalized LMS,C-LMS）,該算法將傳統(tǒng)的基于低階范數(shù)的約... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作及結(jié)構(gòu)安排
第2章 基于低階范數(shù)約束的稀疏自適應濾波算法
    2.1 自適應濾波基礎
        2.1.1 自適應濾波器的基本原理
        2.1.2 維納濾波器與最速下降法
        2.1.3 最小均方（LMS）算法
        2.1.4 自適應濾波器的應用
    2.2 稀疏信號與壓縮感知
        2.2.1 稀疏信號
        2.2.2 壓縮感知
        2.2.3 壓縮感知理論和稀疏自適應濾波算法
    2.3 基于低階范數(shù)約束的稀疏自適應濾波算法
        2.3.1 零吸引最小均方（ZA-LMS）算法
        2.3.2 加權(quán)零吸引最小均方（RZA-LMS）算法
0-LMS算法">        2.3.3 l₀-LMS算法
p-LMS算法">        2.3.4 l_p-LMS算法
    2.4 本章小結(jié)
第3章 基于修正的柯西分布函數(shù)約束的稀疏自適應算法
    3.1 引言
    3.2 修正的柯西分布函數(shù)
        3.2.1 柯西分布
        3.2.2 修正的柯西分布函數(shù)
    3.3 基于修正的柯西分布函數(shù)約束的稀疏自適應算法
        3.3.1 算法描述
        3.3.2 性能分析
        3.3.3 仿真結(jié)果及分析
    3.4 本章小結(jié)
第4章 變步長稀疏約束算法
    4.1 引言
    4.2 γ-函數(shù)
    4.3 變步長稀疏約束算法
        4.3.1 歸一化的無噪先驗誤差功率
        4.3.2 算法描述
        4.3.3 性能分析
        4.3.4 仿真結(jié)果及分析
    4.4 本章小結(jié)
第5章 全文總結(jié)和下一步工作
    5.1 本文工作總結(jié)
    5.2 未來研究展望
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果



本文編號：2902387