传统的最小均方误差(Least Mean Square,LMS)算法具有计算量低、易于实现的优点,广泛应用于各种场景,但其平均收敛速度和稳态误差相互制约。基于箕舌线函数(Tongue Line)的变步长LMS(Tongue Line Least Mean Square,TLLMS)算法引入箕舌...传统的最小均方误差(Least Mean Square,LMS)算法具有计算量低、易于实现的优点,广泛应用于各种场景,但其平均收敛速度和稳态误差相互制约。基于箕舌线函数(Tongue Line)的变步长LMS(Tongue Line Least Mean Square,TLLMS)算法引入箕舌线函数,改进了步长更新公式,从而提高了收敛速度并降低了稳态误差。然而,该算法的步长易受噪声干扰,导致滤波器权值在最优权值附近波动。为此,文章提出了改进箕舌线变步长LMS(Improved Tongue Line Least Mean Square,ITLLMS)算法。该算法进一步优化了步长更新公式,消除了输入端不相关噪声的干扰,以最小化收敛时的稳态误差,并加入上一步步长的影响以增强系统的跟踪能力。将ITLLMS算法应用于自适应噪声抵消系统的实验结果表明,与基于相关特性(Correlation Characteristic)的箕舌线变步长LMS(Correlation Characteristic Tongue Line Least Mean Square,CCTLLMS)算法相比,文章提出的ITLLMS算法具有更快的收敛速度、更低的稳态误差以及更低的计算量。展开更多
文摘传统的最小均方误差(Least Mean Square,LMS)算法具有计算量低、易于实现的优点,广泛应用于各种场景,但其平均收敛速度和稳态误差相互制约。基于箕舌线函数(Tongue Line)的变步长LMS(Tongue Line Least Mean Square,TLLMS)算法引入箕舌线函数,改进了步长更新公式,从而提高了收敛速度并降低了稳态误差。然而,该算法的步长易受噪声干扰,导致滤波器权值在最优权值附近波动。为此,文章提出了改进箕舌线变步长LMS(Improved Tongue Line Least Mean Square,ITLLMS)算法。该算法进一步优化了步长更新公式,消除了输入端不相关噪声的干扰,以最小化收敛时的稳态误差,并加入上一步步长的影响以增强系统的跟踪能力。将ITLLMS算法应用于自适应噪声抵消系统的实验结果表明,与基于相关特性(Correlation Characteristic)的箕舌线变步长LMS(Correlation Characteristic Tongue Line Least Mean Square,CCTLLMS)算法相比,文章提出的ITLLMS算法具有更快的收敛速度、更低的稳态误差以及更低的计算量。
