论文部分内容阅读
自适应滤波的鲁棒性研究是目前自适应信号处理领域中最为活跃的研究课题之一,其在信号处理领域中占有很重要的地位。寻求收敛速度快、计算复杂度低以及具有鲁棒性的自适应滤波算法一直是各国研究学者以及工业领域研究人员不断努力追求的目标。本论文针对以传统的均方误差(MSE)为代价函数的自适应滤波算法在非高斯噪声环境下的鲁棒性变差的问题,提出了若干鲁棒性自适应滤波算法。实验结果证明在非高斯噪声环境下本论文提出的算法具有比传统MSE为代价函数的自适应滤波算法更强的鲁棒性。本论文主要创新性工作如下:1)提出了基于比例最小平均P-Power(PLMP)的稀疏自适应滤波方法,它以平均P-Power误差为代价函数,用LMP来代替MSE作为自适应适应指标以识别稀疏系统,并对PLMP算法推导了均值及其均方收敛性。实验结果表明:与标准比例归一化的最小均方误差(PNLMS)算法相比,PLMP算法在稀疏系统识别可以获得更好的性能,特别是在存在非高斯噪声的情况下性能更优。2)针对传统稀疏自适应滤波方法在非高斯情况下性能可能严重衰减的问题,提出了基于递归最小二乘(RLS)型的凸正则递归最大互相关熵算法(CR-RMC),通过结合凸正则化函数和最大互相关熵准则(MCC)为代价函数,并进一步推导得出递归算法。实验结果表明:在稀疏系统辨识方面,CR-RMC算法明显优于原始的RMC算法;和凸正则递归最小二乘算法(CR-RLS)相比,CR-RMC算法在脉冲噪声环境下具有较强的鲁棒性;CR-RMC也比基于MCC下的LMS类型稀疏自适应滤波算法表现出更好的性能。3)针对基于最小均方误差的非线性系统建模与辨识对非高斯噪声性能下降的问题,提出了基于最大互相关熵准则(MCC)的非线性样条自适应滤波器算法(SAF-MCC),该算法将最大互相关熵准则(MCC)来代替最小均方误差准则(MMSE),推导出SAF-MCC与SAF-LMS算法的步长条件是一样的,同时获得保障SAF-MCC算法收敛步长的条件。实验结果表明:与基于最小均方误差准则的非线性样条自适应滤波器算法(SAF-LMS)相比,SAF-MCC在非高斯噪声环境中的非线性系统识别中表现性能更加良好。4)针对MEE准则的自适应算法很难同时兼顾收敛速度和稳态均方差的问题,本文提出了一种基于最小误差熵准则(MEE)的自适应凸组合滤波器(CMEE),该滤波器通过两个独立运行且具有不同步长的基于MEE准则下的滤波器,从而兼顾快速收敛(步长较大的滤波器)和较低的误差(步长较小的滤波器)。通过实验与最大相关熵标准下的凸组合滤波器(CMCC)与之进行了详细比较:本滤波算法可以在保持期望的性能指标下,快速实现收敛速度。