Two are Better Than One: Adaptive Sparse System Identification using Affine Combination of Two Sparse Adaptive Filters
稀疏系统辨识问题在回波干扰消除、稀疏信道估计、自适应波束形成等应用中经常存在。自适应稀疏系统辨识（ASSI）方法是一种流行的方法，它只采用一个稀疏最小均方（LMS）滤波器。然而，仅采用一个稀疏LMS滤波器不能同时获得快速收敛速度和小的稳态平均状态偏差（MSD）。与传统的方法不同，我们提出了一种改进的ASSI方法，使用两个稀疏LMS滤波器的仿射组合，同时实现快速收敛和低稳态MSD。首先，介绍了LMS滤波器的问题公式和标准仿射组合。然后，根据随机梯度搜索方法，采用近似最优仿射组合器对所提出的滤波器。随后，为了验证所提出的滤波器的ASSI，计算机模拟，以确认所提出的滤波器的有效性，可以实现更好的估计性能比传统的一个和标准的仿射组合的LMS滤波器。
2013-11-06 cs.IT math.IT
Adaptive Combination of l0 LMS Adaptive Filters for Sparse System Identification in Fluctuating Noise Power
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
最近，l0-最小均方（l0-LMS）算法已被提出来识别稀疏线性系统，通过采用稀疏促进连续函数作为l0最小均方惩罚的近似。然而，该算法的性能是敏感的一些参数负责零吸引强度的适当选择。该参数的最佳选择取决于系统中占主导地位的信噪比（SNR）。因此，很难确定该参数的合适值，特别是在SNR随时间波动的情况下。在这项工作中，我们提出了几种自适应组合不同参数的l0-LMS得到一个整体令人满意的性能独立的SNR，并讨论了一些问题，这些组合结构。我们还展示了一个有效的部分更新计划，不仅减少了每次迭代的计算次数，但也实现了一些有趣的性能增益相比，完整的更新情况。然后，我们提出了一个新的递归最小二乘（RLS）型规则更新的组合参数更有效。最后，我们将两个滤波器的组合扩展到M个自适应滤波器的组合，这表明当M > 2时，进一步改进。
2016-05-10 cs.IT cs.LG math.IT
Iterative-Promoting Variable Step Size Least Mean Square Algorithm for Accelerating Adaptive Channel Estimation
基于不变步长的最小均方误差（ISS-LMS）算法作为一种简单的自适应滤波算法，在自适应信道估计等领域得到了广泛的应用。众所周知，ISS-LMS算法的收敛速度是由初始步长决定的。在信道估计的情况下，很难在收敛速度和估计性能之间进行权衡。在本文中，我们提出了一种迭代促进可变步长的最小均方误差（VSS-LMS）算法来控制收敛速度，以及改善估计性能。仿真结果表明，该算法在不牺牲收敛速度的前提下，获得了比以往ISS-LMS算法更好的估计性能。
2015-01-28 cs.IT math.IT
Least Mean Square/Fourth Algorithm with Application to Sparse Channel Estimation
频率选择性衰落信道中的宽带信号传输往往需要接收端准确的信道状态信息。最小均方（LMS）算法是自适应信道估计中最引人注目的算法之一。然而，基于LMS的方法往往是退化的输入训练信号的随机缩放。为了提高估计性能，本文将标准的最小均方/四分之一（LMS/F）算法应用于自适应信道估计（ACE）。由于宽带信道通常用稀疏信道模型来描述，这种稀疏性可以作为先验信息来利用。首先，我们提出了一种基于零吸引LMS/F（ZA-LMS/F）算法的自适应稀疏信道估计方法。为了有效地利用信道的稀疏性，本文还提出了一种改进的信道估计方法，即采用重加权零吸引LMS/F（RZA-LMS/F）算法。本文从几何解释的角度解释了使用l_1范数稀疏约束函数的稀疏LMS/F算法能够提高估计性能的原因。此外，对于不同的信道稀疏性，我们提出了一种蒙特卡罗方法来选择一个正则化参数的RA-LMS/F和RZA-LMS/F，以达到近似最优的估计性能。仿真结果表明，所提出的ASCE方法比传统方法具有更好的估计性能。
2013-04-14 cs.IT math.IT
Diffusion LMS for clustered multitask networks
CNRS（法国国家科学研究中心）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出基于扩散策略的分布式算法，用于解决集群多任务问题，通过最小化均方误差准则和ℓ2正则化，提升多参数向量的联合估计性能。
2013-10-31 cs.IT cs.MA cs.SY
Combination of LMS Adaptive Filters with Coefficients Feedback
University of São Paulo（圣保罗大学）
自适应滤波器的并行组合已被有效地用于改善自适应算法的性能并解决公知的折衷，例如收敛速度与稳态误差。然而，由于分量滤波器独立运行的事实，典型的组合遭受收敛停滞问题。这个问题的解决方案通常涉及滤波器之间的系数的条件转移，虽然有效，但很难推广到具有更多滤波器的组合或没有明显更快的自适应滤波器时。在这项工作中，提出了一个更自然的解决方案，通过循环反馈的组合系数向量的所有组件滤波器。除了应对收敛停滞，这种新的拓扑结构提高了跟踪和监督的稳定性，并弥合了自适应滤波器和可变步长方案的组合之间的重要概念差距。我们分析了稳态，跟踪，和瞬态性能的LMS组件过滤器和监督与通用激活功能的拓扑结构。数值例子来说明如何系数反馈可以提高性能的并行组合在一个小的计算开销。
2017-11-19 cs.IT cs.LG math.IT
Improved adaptive sparse channel estimation using mixed square/fourth error criterion
稀疏信道估计问题是稳定宽带无线通信中具有挑战性的技术问题之一。基于平方误差准则（SEC），自适应稀疏信道估计（ASCE）方法，例如，零吸引最小均方误差（ZA-LMS）算法和重加权ZA-LMS（RZA-LMS）算法被提出来减轻噪声干扰以及利用固有的信道稀疏性。然而，传统的SEC-ASCE方法容易受到1）输入训练信号的随机缩放; 2）由于梯度下降法的固定步长，收敛速度和稳态均方误差（MSE）性能之间的不平衡。本文提出了一种基于混合平方/四分之一误差准则（SFEC）的改进ASCE方法来避免上述缺点。具体地说，改进的SFEC-ASCE方法分别用零吸引最小均方/四阶误差（ZA-LMS/F）算法和重加权ZA-LMS/F（RZA-LMS/F）算法实现。首先，通过Monte-Carlo模拟，选择SFEC-ASCE方法的正则化参数。其次，推导并分析了SFEC-ASCE方法的下界。仿真结果表明，所提出的SFEC-ASCE方法比传统的SEC-ASCE方法具有更好的估计性能。1
2015-03-03 cs.IT math.IT
Low-Complexity Adaptive Beam and Channel Tracking for Mobile mmWave Communications
在本文中，我们研究了低复杂度算法的波束和信道跟踪毫米波（mmWave）通信。特别地，最小均方（LMS）和双向LMS（BiLMS）算法是针对移动毫米波传输场景导出的，其中信道测量是未知的到达角（AoA）和离开角（AoD）的非线性函数。数值结果证实，当AoA/AoD和信道增益的初始化不完善时（即，使用噪声信道估计来执行）。此外，与LMS和EKF相比，BiLMS表现出非常好的均方误差（MSE）性能，这使得它成为移动毫米波传输场景的有前途的信道跟踪算法。我们还表明，LMS和BiLMS算法是更强大的对由于非最佳天线阵列的大小相比，EKF的损害，并显示相对更快的收敛特性，随着信噪比（SNR）的增加。
2018-12-20 cs.IT math.IT
Multi-hop Diffusion LMS for Energy-constrained Distributed Estimation
本文提出多跳扩散 LMS 策略，通过多跳中继组合估计、权重选择与信息邻域优化，在局部及全网能量约束下实现与单跳 ATC 扩散相同的稳态 MSD 且能耗更低。
2014-12-12 cs.IT math.IT math.OC
Quantum Calculus-based Volterra LMS for Nonlinear Channel Estimation
提出了一种新的自适应滤波方法--$q$ -Volterra最小均方（$q$ -VLMS）。$q$ -VLMS是传统LMS的非线性扩展，并且它基于Jackson导数，也称为$q$ -演算。在Volterra LMS算法中，由于输入信号的方差很大，收敛速度很慢。通过适当的操作，我们成功地提高了Volterra LMS的收敛性能。分析了该算法的步长界，并通过对非线性信道估计问题的计算机仿真验证了分析结果。
2019-08-07 cs.IT eess.SP math.IT
Dynamic Topology Adaptation Based on Adaptive Link Selection Algorithms for Distributed Estimation
University of York（约克大学）；CETUC / PUC-Rio（天主教里约热内卢大学研究与应用技术中心）；Princeton University（普林斯顿大学）
本文提出自适应链路选择算法用于分布式估计，并探讨其在无线传感器网络和智能电网中的应用。通过分析算法的稳定性、稳态和跟踪性能及计算复杂度，展示了其在估计精度和收敛速度上的优势，以及网络链路选择能力的提升。
2015-10-18 cs.IT cs.SY eess.SY
Adaptive Sparse Channel Estimation for Time-Variant MISO Communication Systems
信道估计问题是时变多输入单输出（MSIO）通信系统的关键技术之一。为了估计MISO信道，将最小均方（LMS）算法应用于自适应信道估计（ACE）。由于MISO信道通常由稀疏信道模型描述，因此可以利用这种稀疏性，然后可以通过使用稀疏LMS算法的自适应稀疏信道估计（ASCE）方法来改善估计性能。然而，传统的ASCE方法有两个主要缺点：1）对训练信号的随机尺度敏感和2）在低信噪比（SNR）区域不稳定。为了克服这两个有害因素，本文提出了一种新的使用归一化最小均方误差（NLMS）算法的ASCE方法（ASCE-NLMS）。此外，我们还提出了一种改进的ASCE方法使用归一化最小均值四分之一（NLMF）算法（ASCE-NLMF）。提出的两种方法可以有效地利用信道的稀疏性。此外，所提出的方法的稳定性进行了数学推导。计算机模拟结果表明，所提出的稀疏信道估计方法比传统方法具有更好的估计性能。
2013-02-06 cs.IT math.IT
Deep-LMS for gigabit transmission over unshielded twisted pair cables
在本文中，我们提出了一种快速收敛的LMS算法的串扰消除。该架构类似于深度神经网络，其中多个层被顺序地适配。激发这种方法的应用是使用矢量系统在非屏蔽双绞线上进行千兆速率传输。该串扰消除算法在传统的LMS串扰消除器之前使用自适应非对角预处理矩阵。预处理矩阵的更新受到深度神经网络的启发。然而，由于Deep-LMS算法中的大多数运算都是线性的，因此我们能够提供精确的收敛速度分析。预处理矩阵的作用是加速传统LMS串扰消除器的收敛，从而加速整个系统的收敛。Deep-LMS对于新颖的G.fast标准中的串扰消除是重要的，其中传统的LMS由于在扩展带宽处的接收信号的病态协方差矩阵而非常缓慢地收敛。仿真结果支持我们的分析，并显示显着减少收敛时间相比，现有的LMS变种。
2017-05-30 cs.IT math.IT
Dynamic physical layer equalization in optical communication networks
在光传送网络中，由于当前网络条件，两个终端节点之间的信号光路可能不同。因此，光路中的传输距离和累积色散无法预测。因此，动态色散的自适应补偿在这样的网络中是必要的，以实现灵活的路由和交换。本文对相干光通信网络中采用最小均方（LMS）算法进行自适应色散补偿进行了详细的分析。结果表明，与传统的LMS算法相比，变步长LMS均衡器可以以更低的复杂度获得相同的性能。
2018-05-07 cs.IT math.IT physics.optics
Digital Adaptive Carrier Phase Estimation in Multi-Level Phase Shift Keying Coherent Optical Communication Systems
研究了长距离高速n级相移键控（n-PSK）光纤通信系统中基于单抽头归一化最小均方（LMS）算法的自适应载波相位估计问题。推导了n-PSK相干光传输系统中载波相位估计和误码率平层估计的解析表达式。结果表明，单抽头归一化LMS算法在载波相位估计方面有较好的效果，但随着调制电平的增加，其对激光器固有相位噪声和均衡增强相位噪声的补偿效果逐渐减弱。
2016-07-20 cs.IT math.IT
Acceleration of Cooperative Least Mean Square via Chebyshev Periodical Successive Over-Relaxation
分布式最小均方（LMS）算法可用于分布式信号估计和多元回归模型的分布式训练。算法的收敛速度是一个关键因素，因为更快的算法需要更少的通信开销，并导致更窄的网络带宽。本文的目的是提出使用Chebyshev周期连续超松弛（PSOR）可以加速分布式LMS算法在一个自然的方式。Chbyshev PSOR的基本思想是引入指数相关的PSOR因子来控制控制矩阵的谱半径，该矩阵控制修改的不动点迭代的收敛行为。收敛速度的加速在大范围的网络中被经验地证实，诸如已知的小图（例如，Karate图）和随机图，例如Erdos-Renyi（ER）随机图和Barabasi-Albert随机图。
2020-11-24 cs.IT math.IT
Study of Distributed Spectrum Estimation Using Alternating Mixed Discrete-Continuous Adaptation
针对传感器网络参数和谱估计问题，提出了一种分布式交替混合离散-连续（DAMDC）算法来逼近基于扩散策略的预言算法。最小均方（LMS）型算法，获得预言矩阵自适应开发和现有的稀疏意识和传统的算法进行比较。该算法在均方偏差和功率谱估计精度方面表现出更好的性能。数值结果表明，DAMDC算法具有良好的性能。
2016-04-11 cs.DC cs.IT math.IT
Diffusion Least Mean P-Power Algorithms for Distributed Estimation in Alpha-Stable Noise Environments
我们提出了一种扩散最小平均p-功率（LMP）算法的分布估计在α稳定噪声环境中，这是一个广泛使用的模型，出现在各种环境中。与扩散最小均方（LMS）算法相比，当噪声具有α稳定分布时，扩散LMP算法具有更好的性能。
2013-07-27 cs.IT math.IT
Distributed conjugate gradient strategies for parameter estimation over sensor networks
提出了一种基于共轭梯度法的分布式自适应算法。增量和扩散自适应解决方案都被认为是。分布式常规（CG）和修改的CG（MCG）算法有一个改进的性能方面的均方误差相比，最小均方（LMS）为基础的算法和性能接近递归最小二乘（RLS）算法。由此产生的算法是分布式的，合作的，能够实时的响应环境的变化。
2013-06-18 cs.IT math.IT
A stochastic gradient approach on compressive sensing signal reconstruction based on adaptive filtering framework
基于稀疏信号重构与系统辨识在方法上的相似性，提出了一种新的压缩感知（CS）稀疏信号重构方法。该方法采用了基于随机梯度的自适应滤波框架，这是通常用于系统辨识，以解决稀疏信号的重建问题。为此，介绍了两种典型的算法：$l_0$ -最小均方（$l_0$ -LMS）算法和$l_0$ -指数遗忘窗LMS（$l_0$ -EFWLMS）算法。这两种算法都利用零吸引方法，该方法通过最小化所研究信号的$l_0$范数的连续近似来实现。为了提高这些算法的性能，还采用了一种$l_0$ -零吸引投影（$l_0$ -ZAP）算法，有效地加快了算法的收敛速度，使其比现有的其他算法快得多。所提出的方法的优点，例如其对噪声的鲁棒性等，通过数值实验证明。
2013-03-09 cs.IT math.IT
Two Bicomplex and One Multicomplex Least Mean Square algorithms
Chapman University（查普曼大学）；Schmid College of Science and Technology（施密德科学与技术学院）
本文受经典LMS算法启发，提出复数和双复数域的新梯度算子，据此构建双复数BLMS与多复数MLMS学习规则，扩展了传统实数和复数LMS算法。
2023-12-22 cs.IT cs.LG math.IT
Affine Combination of Two Adaptive Sparse Filters for Estimating Large Scale MIMO Channels
大规模多输入多输出（MIMO）系统被认为是实现下一代无线通信系统（5G）的有前景的技术之一，以增加空间上的自由度并增强链路可靠性，同时显著降低发射功率。然而，大规模MIMO系统的设计也对传统的一维信道估计技术提出了很大的挑战，这是由于长时延扩展和大量天线所导致的高复杂度和维数灾难问题。针对大规模MIMO系统中信道具有稀疏或簇稀疏结构的特点，提出了一种简单的仿射组合自适应稀疏信道估计方法，以降低复杂度并充分利用大规模MIMO系统中信道的稀疏性。首先，介绍了自适应最小均方（LMS）算法的问题形式和标准仿射组合。在此基础上，提出了一种基于两个稀疏LMS滤波器的仿射组合算法，并根据随机梯度搜索方法设计了一种近似最优仿射组合器。为了验证所提出的大规模MIMO信道估计算法的有效性，通过计算机模拟验证了所提出算法的有效性，其估计性能优于传统算法和传统方法。
2014-07-23 cs.IT math.IT
Study of Sparsity-Aware Distributed Conjugate Gradient Algorithms for Sensor Networks
提出了一种基于共轭梯度法和扩散策略的传感器网络参数估计分布式自适应算法。我们提出了稀疏意识的传统和修改分布式CG算法使用$l_{1}$和对数和惩罚函数。与一致最小均方（Diffusion-LMS）算法和扩散CG算法相比，所提出的稀疏感知扩散分布式CG算法在均方偏差（MSD）和收敛性能方面都有提高，而与扩散分布式递归最小二乘（Recursive Least Squares，RLS）算法性能接近。数值结果表明，所提出的算法是可靠的，可以应用于多种场景。
2015-11-20 cs.IT math.IT
Study of Distributed Conjugate Gradient Strategies for Distributed Estimation Over Sensor Networks
提出了一种基于分布式共轭梯度算法的无线传感器网络参数估计和频谱估计算法。特别是，分布式的传统共轭梯度（CCG）和修改共轭梯度（MCG）被认为是与增量和扩散自适应解决方案。分布式CCG和MCG算法在均方误差方面与基于最小均方（LMS）的算法相比具有改进的性能，并且性能接近于递归最小二乘（RLS）算法。与现有的集中式或分布式估计策略相比，本文算法的主要特点是：1）可以获得更精确的估计和更快的收敛速度; 2）CG算法的预处理器设计，提出了一种改进CG算法性能的新方法;所提出的算法在分布参数估计和谱估计领域中实现。所提出的分布式估计算法的性能通过仿真来说明，并且所得到的算法是分布式的、协作的并且能够实时的响应环境的变化。
2016-01-16 cs.DC cs.IT math.IT
Joint Adaptive Modulation Coding and Cooperative ARQ over Relay Channels-Applications to Land Mobile Satellite Communications
在协作中继网络中，当目的地节点（D）不能正确地解码源节点（S）数据时，中继节点（R）促进到目的地节点（D）的数据传输。本文考虑这样的系统模型，并提出了一种跨层的方法，联合设计自适应调制和编码（AMC）在物理层和协作截断自动重传请求（ARQ）协议在数据链路层。首先推导出联合协作ARQ-AMC方案的频谱效率的封闭表达式。为了最大限度地提高这一性能指标，我们然后优化两个AMC方案的S-D和R-D链路，直接满足规定的丢包率约束。作为一个有趣的应用，我们还考虑了联合链路自适应和阻塞缓解陆地移动卫星通信（LMSC）的问题。提出了一种新的中继辅助传输协议，当S-D信道中断时，通过中继链路将源数据传输到目的地。数值结果表明，所提出的计划显着提高了频谱效率相比，系统，它使用一个传统的ARQ-AMC方案在S-D链路，或系统，采用优化的固定速率协作ARQ协议。
2008-11-26 cs.IT math.IT
Extended Subspace Error Localization for Rate-Adaptive Distributed Source Coding
提出了一种基于离散傅立叶变换（DFT）码的速率自适应分布式信源编码（DSC）方法。删余DFT码可用于实现码率自适应信源编码，但由于子空间误差定位性能严重下降，即使在适度删余后，其性能也很差。所提出的基于子空间的错误定位扩展和改进了现有的一个，基于额外的伴随式，自然是适合于速率自适应分布式信源编码架构。
2013-06-27 cs.IT math.IT
A Bio-Inspired Robust Adaptive Random Search Algorithm for Distributed Beamforming
提出了一种基于生物启发的鲁棒自适应随机搜索算法（BioRARSA），用于传感器和中继网络的分布式波束形成。通过系统框架已经表明，BioRARSA在概率上收敛，并且其收敛时间与分布式发射器的数量呈线性关系。更重要的是，大量的仿真结果表明，所提出的BioRARSA优于现有的自适应分布式波束形成方案的平均高达29.8%。这种性能的提高是由于BioRARSA可以通过细菌觅食机制激发的“游泳”行为自适应地调整其采样步长。因此，BioRARSA的收敛时间对算法的初始采样步长不敏感，这使得它对分布式无线网络的动态特性具有鲁棒性。
2011-02-15 cs.IT math.IT
Distributed Adaptive LMF Algorithm for Sparse Parameter Estimation in Gaussian Mixture Noise
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
提出了一种基于归一化最小均值四阶（NLMF）准则的非高斯噪声背景下稀疏未知参数估计的分布式自适应算法。在第一步中，局部自适应NLMF算法被修改为零范数，以加快收敛速度，并减少在稀疏条件下的稳态误差功率。然后，所提出的算法扩展到分布式的情况下，由于局部自适应滤波器的合作，估计性能得到了更大的改善。仿真结果表明，该算法与传统的NLMF算法相比，具有明显的优越性。
2015-12-08 cs.CL cs.IT math.IT
