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
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
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
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
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
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
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
l_0 Norm Constraint LMS Algorithm for Sparse System Identification
为了提高基于最小均方(LMS)的稀疏系统系统辨识的性能,利用稀疏系统的稀疏特性,提出了一种新的自适应算法。提出了一种系统稀疏性的典型度量--$l_0$范数的通用近似方法,并将其集成到LMS算法的代价函数中。这种积分方法等价于在迭代过程中增加一个零吸引子,有效地提高了稀疏系统中占主导地位的小系数的收敛速度。此外,采用部分更新方法,降低了计算复杂性。仿真结果表明,该算法可以有效地提高基于LMS的辨识算法在稀疏系统上的性能。
2013-03-09 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
A New Noise-Assistant LMS Algorithm for Preventing the Stalling Effect
本文针对自适应滤波器中LMS算法的失速效应,提出了一种新的算法。我们修改的抽头权重向量的更新规则,通过添加噪声,产生的噪声发生器。所提出的方法的性质进行了研究的两个新的定理。如图所示,所得到的算法,称为附加噪声LMS(AN-LMS),提高了传统的LMS算法对失速效应的抵抗能力。本文计算了加性高斯白噪声下的更新概率。研究了该方法的收敛性,证明了在期望值意义下,只要噪声均匀分布,该方法的收敛速度与LMS算法的收敛速度相等。最后,它表明,该算法的复杂性的顺序是线性的传统的LMS算法。
2018-07-08 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
Regularization Parameter Selection Method for Sign LMS with Reweighted L1-Norm Constriant Algorithm
宽带频率选择性衰落信道通常具有固有的稀疏性。通过利用稀疏性,自适应稀疏信道估计(ASCE)算法,例如,在加性高斯白噪声(AWGN)假设下,最小均方加权L1范数约束(LMS-RL 1)算法可以带来可观的性能增益。然而,在无线系统的实际场景中,信道估计性能经常会因意外的非高斯混合噪声(包括AWGN和脉冲噪声)而恶化。为了设计稳定的通信系统,提出了一种符号LMS-RL 1(SLMS-RL 1)算法,该算法能够在去除脉冲噪声的同时利用信道稀疏性。众所周知,SLMS-RL 1的正则化参数(REPA)选择是一个非常具有挑战性的问题。在最坏的情况下,不适当的REPA甚至可能导致SLMS-RL 1算法意外的不稳定收敛。本文提出了一种基于Monte Carlo的选择方法来选择合适的REPA,使SLMS-RL 1能够实现两个目标:稳定收敛以及使用稀疏信息。仿真结果证实了我们的研究。
2015-04-28 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
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
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
Adaptive sampling of time-space signals in a reproducing kernel subspace of mixed Lebesgue space
混合勒贝格空间是一个合适的工具,用于建模和测量生活在时间-空间域的信号。而在这种空间中的采样对于处理高维时变信号起着重要的作用。本文首先定义了混合Lebesgue空间的再生核子空间。然后,我们研究了框架的性质,证明了再生核子空间具有有限的新息率。最后,我们提出了一种在再生核子空间中对时空信号进行半自适应采样的方法,其中时域采样由时间编码器进行。考虑了两种定时采样方法,并给出了相应的具有指数收敛性的迭代近似算法。
2019-04-01 cs.IT math.IT
Fast Adaptive Beamforming based on kernel method under Small Sample Support
传统的全维自适应波束形成(采样矩阵求逆)算法在大规模阵列信号处理中的高计算复杂性和样本不足限制了其实际应用。在本文中,我们提出了一种计算效率和快速的自适应波束形成算法下的小样本支持。所提出的方法通过将自适应权重向量表示为训练样本的线性组合加上信号导向向量来实现,基于自适应权重向量位于信号加干扰子空间的事实。因此,通过使用众所周知的具有非常好的小样本性能的线性核方法,仅需要计算低维组合向量而不是高维自适应权向量本身,这显著地降低了自由度和计算复杂性。实验结果验证了所提方法在小样本情况下的良好性能和计算效率。
2014-05-19 cs.IT math.IT