Deep Learning Meets Adaptive Filtering: A Stein's Unbiased Risk Estimator Approach
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文通过算法展开将RLS和EASI自适应滤波算法转化为深度网络,并采用基于Stein无偏风险估计的损失函数训练,提升了源信号估计性能。
2023-10-05 cs.LG eess.SP
Tracking performance of RLS algorithms in WSSUS channels
School of Physics, Engineering and Technology, University of York(约克大学物理、工程与技术学院)
该研究针对WSSUS信道,分析指数RLS、SRLS等算法的跟踪性能,推导MSD通用公式并推广到带延迟RLS及SRLS-L算法,其分析结果与数值仿真匹配良好。
2026-08-07 eess.SP
EM-Based p-norm-like Constraint RLS Algorithm with Adaptive Regularization for Sparse System Identification
University of California, Los Angeles(加州大学洛杉矶分校);National University of Defense Technology(国防科技大学)
本文提出一种基于EM算法的p-范数类约束RLS算法,通过误差驱动的双时间尺度自适应正则化,实现低复杂度稀疏系统辨识,并在模拟中优于现有稀疏RLS算法。
2026-10-01 cs.IT eess.SP math.IT
Minimax Concave Penalty Regularized Adaptive System Identification
提出一种带MCP的RLS型自适应辨识算法,利用EM更新从含噪流式观测中递归估计稀疏抽头权重向量,理论证明收敛性及误差界限,仿真表明其MSE性能优于标准RLS和$\ell_1$正则化RLS。
2023-03-30 eess.SP
Transient Theoretical Analysis of Diffusion RLS Algorithm for Cyclostationary Colored Inputs
扩散RLS(DRLS)算法的稳态收敛性已在文献中得到了广泛的研究,但还没有分析其瞬态收敛行为的报告。在这封信中,我们进行了理论分析的瞬态行为的DRLS算法的循环平稳有色输入,在平均值和均方误差的意义。由此产生的分析模型,使我们能够彻底调查在这种复杂的情况下,自适应网络的算法的收敛行为。仿真结果支持了理论研究结果的准确性和正确性。
2021-01-12 eess.SP
Adaptive Variational Particle Filtering in Non-stationary Environments
Cylance Inc.(Cylance公司)
在线凸优化是一种顺序预测框架,其目标是通过评估适当的凸损失函数来跟踪和适应环境。我们从这样一个框架的角度来研究有效的粒子滤波方法。我们制定了一个有效的粒子滤波方法的非平稳环境中的连接与在线镜像下降算法,这是已知的是一个通用的在线凸优化算法。作为这种连接的结果,我们提出的粒子滤波算法证明,达到最佳的粒子效率。
2018-07-19 cs.LG stat.ML
Bayesian filtering unifies adaptive and non-adaptive neural network optimization methods
University of Bristol(布里斯托大学)
我们将神经网络优化问题表述为贝叶斯滤波,其中观测值是反向传播的梯度。虽然神经网络优化之前已经使用与贝叶斯推断密切相关的自然梯度方法进行了研究,但他们无法使用均方根梯度归一化器恢复标准优化器,如Adam和RMSprop,而是得到均方归一化器。为了恢复均方根归一化,我们发现有必要考虑所有其他参数的时间动态,因为它们正在优化。由此产生的优化器AdaBayes自适应地在类SGD和类Adam行为之间转换,自动恢复AdamW,这是Adam的最新变体,具有解耦的权重衰减,并且具有与SGD竞争的泛化性能。
2020-04-16 cs.LG stat.ML
A New Approach to Extract Fetal Electrocardiogram Using Affine Combination of Adaptive Filters
在怀孕期间检测异常胎儿心跳对于监测胎儿的健康状况是重要的。虽然成人心电图在现代医学中取得了一些进展,但无创胎儿心电图(FECG)仍然是一个巨大的挑战。本文提出了一种基于仿射组合自适应滤波器的胎儿心电信号提取方法。多个滤波器的仿射组合能够精确地拟合参考信号,从而获得更准确的FECG。提出了一种将最小均方(LMS)和递归最小二乘(RLS)滤波器相结合的方法。我们的方法发现,组合递归最小二乘(CRLS)滤波器实现所有建议的组合中的最佳性能。此外,我们发现,CRLS是更有利的腹部心电图(AECG)与小的信号噪声比(SNR)提取胎儿心电图。与最新的MSF-ANC方法相比,CRLS具有更好的性能。敏感性、准确性和F1评分分别提高了3.58%、2.39%和1.36%。
2023-02-27 eess.SP
Matrix Adaptive Synthesis Filter for Uniform Filter Bank
在本文中,我们使用一个矩阵自适应滤波器作为统一滤波器组(UFB)的合成级来重构输入信号。我们首先开发背后的数学理论,通过应用模型的最佳滤波在合成阶段的UFB和获得矩阵维纳滤波器的表达式。我们已经发展了一个定理,我们使用它来进一步简化表达式。在缺乏所需的信息的分析阶段,我们使用自适应滤波,以达到维纳的解决方案。我们使用最小均方(LMS)算法来更新滤波器系数。实验结果表明,对于稳定的维纳滤波器,自适应滤波器是收敛的。
2022-09-22 eess.SP
A short overview of adaptive multichannel filters SNR loss analysis
许多多通道系统使用线性滤波器来恢复被噪声破坏的感兴趣的信号,该噪声的统计数据部分未知。高斯噪声中的最佳滤波器需要噪声协方差矩阵$Σ$的知识,并且实际上后者是从一组训练样本中估计的。一个重要的问题涉及这种自适应滤波器的性能的表征。这通常是利用自适应滤波器输出端的信噪比(SNR)与透视(公知的$Σ$)滤波器获得的SNR之比作为品质因数来实现的。这个问题已被广泛研究,因为七十年代,本文件提出了一个简明扼要的概述发表在文献中的结果。我们考虑各种情况下的训练样本的协方差矩阵,我们调查完全自适应,部分自适应和正则化滤波器。
2021-08-27 eess.SP
A Variational Bayes Moving Horizon Estimation Adaptive Filter with Guaranteed Stability
研究了线性系统的状态估计,特别关注未知过程和测量噪声协方差,旨在提高估计精度的同时保持卡尔曼滤波器的稳定性保证。为此,首先研究了有限区间上的全信息估计问题。然后,提出了一种新的自适应变分贝叶斯(VB)移动时域估计(MHE)方法,利用VB推理,MHE和Monte Carlo积分与重要性采样的未知过程和测量噪声协方差的联合估计,以及在一个固定长度的移动窗口的状态轨迹。此外,它被证明,建议的自适应VB MHE滤波器,确保与任何数量的重要样本和VB迭代,以及任何窗口长度的估计误差的均方有界性。最后,目标跟踪的例子上的仿真结果表明,与传统的非自适应卡尔曼滤波器和其他现有的自适应滤波器相比,具有增强的估计精度和收敛性能的VB MHE滤波器的有效性。
2021-10-10 eess.SP
Least-Squares Adaptive Filter-Based Cohen's Class Time-Frequency Distribution for Signal Denoising
Nanjing University of Information Science and Technology(南京信息工程大学);Hubei University(湖北大学);Shanghai Jiao Tong University(上海交通大学);Nanjing Institute of Technology(南京工程学院)
提出一种在Wigner-Ville分布域中集成Wiener滤波原理和时频滤波机制的最小二乘自适应滤波方法,设计出核函数可自动调整以实现最小均方误差去噪的Cohen类时频分布,在典型雷达信号和心电数据上优于现有方法。
2026-06-02 eess.SP
Denoising ECG by Adaptive Filter with Empirical Mode Decomposition
心电信号是一种重要的生理信号,蕴含着心脏的信息,是诊断心脏相关疾病的依据。本文提出了几种基于自适应滤波器和经验模式分解(EMD)的新颖有效的方法来去除受各种噪声污染的心电信号,包括基线漂移(BW)、电源线干扰(PLI)、电极运动伪影(EM)和肌肉伪影(MA)。本文首先提出了一种基于经验模态分解和自适应滤波的心电信号去噪方法。然后,我们将该方法扩展到复杂的情况下,四个最常见的噪声,PLI,BW,EM和MA存在。建议的并行EMD自适应滤波器结构产生最好的信噪比改善MIT-BIH心律失常数据库,损坏的四种类型的噪声。
2021-08-18 eess.SP
Partially adaptive filtering using randomized projections
这篇短文讨论了一个部分自适应滤波器的设计,以在存在强低秩干扰和热噪声的情况下恢复感兴趣的信号。我们考虑了一个广义旁瓣消除器的实现,其中降维变换是借助于随机矩阵近似的思想建立的。更精确地,辅助数据$Z$的主子空间由$ZΩ$近似,其中$Ω$是随机矩阵或在$Z$的随机列处拾取的矩阵。这些变换不需要特征值分解,但它们提供了与主成分滤波器类似的性能。
2022-03-21 eess.SP
Multi-object Tracking with an Adaptive Generalized Labeled Multi-Bernoulli Filter
多目标跟踪的挑战主要来自于跟踪过程中目标的基数和状态的随机变化。此外,关于对象出现的位置的信息、它们的检测概率以及传感器的假警报的统计显著地影响滤波器的跟踪精度。然而,这些信息通常被认为是已知的,并由用户提供。在本文中,我们提出了一种自适应广义标记多伯努利(GLMB)滤波器,该滤波器可以在无需先验知识的情况下跟踪多个对象。实验结果表明,该滤波器的性能与理想的GLMB滤波器提供的跟踪场景的正确信息。
2022-01-12 eess.SP
Adaptive Sparse-grid Gauss-Hermite Filter
本文提出了一种新的基于稀疏网格求积法的非线性滤波器。该滤波器被命名为自适应稀疏网格高斯-厄米特滤波器(ASGHF)。普通的稀疏网格技术平等地对待所有的维度,而ASGHF沿着具有较低非线性的维度分配较少数量的点。它使用自适应张量积来构造多维点,直到达到预定义的误差容限水平。所提出的滤波器的性能示出了两个非线性滤波问题。仿真结果表明,该算法在计算量显著减少的情况下,与稀疏网格高斯-厄米特滤波器(SGHF)和高斯-厄米特滤波器(GHF)相比,具有相似的精度.此外,在传统的GHF和SGHF中,精度水平的任何增加都可能导致计算负担的不可接受的高增加。然而,在ASGHF中,通过改变误差容限水平和误差加权参数,在计算负担有限增加的情况下,估计精度有可能略有增加。这使得在线估计器能够以预定义的计算预算接近全效率地操作。
2018-03-25 eess.SP
Mean-Square Performance Analysis of Noise-Robust Normalized Subband Adaptive Filter Algorithm
采用矢量化运算和克罗内克积的方法,研究了噪声鲁棒归一化子带自适应滤波器(NR-NSAF)算法在均值和均方差意义上的统计模型,涉及瞬态和稳态行为。该分析方法不需要高斯输入信号。此外,所提出的分析消除了在现有的分析子带自适应算法的分析滤波器组的paraunitary假设。各种条件下的仿真结果验证了理论分析的有效性。对于一种特殊形式的算法,所提出的稳态表达式也比以前的分析更准确。
2019-08-21 eess.SP
An Adaptive All-Pass Filter for Time-Varying Delay Estimation
本文的重点是估计两个信号之间的延迟。这样的问题在信号处理中是常见的,并且当延迟本质上是非平稳的时特别具有挑战性。我们提出的解决方案是基于一个全通滤波器的框架,包括两个元素:一个时间延迟是等效的全通滤波和一个全通滤波器可以表示在一个有限脉冲响应(FIR)滤波器和它的时间反转的比率。使用这些元素,我们提出了一个自适应滤波算法与LMS风格的更新,估计FIR滤波器系数和时间延迟。具体地,在每个时间步,该算法基于梯度下降更新来更新滤波器系数,然后从滤波器提取时间延迟的估计。我们验证我们的算法的合成数据表明,它是准确的,能够跟踪时变延迟。
2021-01-07 eess.SP
Adaptive Neural Unscented Kalman Filter
Hatter Department of Marine Technologies, Charney School of Marine Sciences, University of Haifa(哈特尔海洋技术系,查内海洋科学学院,海法大学)
本文提出自适应神经无迹卡尔曼滤波器,用于解决自主水下航行器导航中的非线性传感器融合问题,通过ProcessNet实现过程噪声协方差的自适应估计。
2025-04-29 cs.RO eess.SP
A new role for adaptive filters in Marchenko equation-based methods for the attenuation of internal multiples
在过去的几年里,我们已经看到了许多发展,在马尔琴科方程为基础的方法为内部多次波衰减。从需要平滑速度模型的基于波动方程的方法开始,现在有不需要任何模型信息或用户输入的基于Marchenko方程的方法。原则上,这些方法可以准确地预测内部多次波。因此,对于这些方法,自适应滤波器的作用已经改变。不需要积极的自适应滤波器来补偿不准确的内部多重预测,而只需要保守的自适应滤波器来补偿由输入数据的不完美采集和预处理引起的内部多重预测中的微小幅度和/或相位误差。我们demonstate,一个保守的自适应滤波器,可以用来提高内部多次波的衰减时,应用Marchenko多次波消除(MME)方法的2D线的拖缆数据。此外,我们建议,自适应滤波器可以用作反馈机制,以改善输入数据的预处理。
2020-03-24 eess.SP physics.geo-ph
Covariance Matching based robust Adaptive Cubature Kalman Filter
本文探讨了基于协方差匹配的自适应鲁棒容积卡尔曼滤波器(CMRACKF)。该方法利用新息序列确定测量噪声的协方差矩阵,克服了传统CKF的局限性。在该算法中,权值自适应调整,并用于在线更新测量噪声协方差矩阵。它还可以增强ACKF的自适应能力。仿真结果表明,该算法的性能进行评估。
2021-06-20 cs.SY eess.SP eess.SY
Meta-AF: Meta-Learning for Adaptive Filters
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Adobe Research(奥多比研究院)
自适应滤波算法在整个信号处理中是普遍存在的,并且对包括音频处理、电信、生物医学感测、天体物理学和宇宙学、地震学等在内的各种领域产生了重大影响。自适应滤波器通常通过专门的在线迭代优化方法(如最小均方或递归最小二乘)进行操作,旨在处理未知或非平稳环境中的信号。然而,这样的算法开发起来可能缓慢而费力,需要领域专业知识来创建,并且需要数学洞察力来改进。在这项工作中,我们寻求改进手工自适应滤波器算法,并提出了一个全面的框架,用于在线学习,自适应信号处理算法或直接从数据中更新规则。为此,我们将自适应滤波器的开发框架为深度学习背景下的元学习问题,并使用一种自我监督的形式来学习自适应滤波器的在线迭代更新规则。为了证明我们的方法,我们专注于音频应用和系统地开发元学习自适应滤波器的五个典型的音频问题,包括系统辨识,声学回声消除,盲均衡,多通道去混响,和波束形成。我们将我们的方法与常见的基线和/或最新的最先进的方法进行比较。我们表明,我们可以学习实时操作的高性能自适应滤波器,并且在大多数情况下,它们的性能明显优于我们比较的每种方法-所有这些方法都使用我们方法的单一通用配置。
2022-11-21 cs.SD eess.AS eess.SP
Fast Adaptive Identification of Stable Innovation Filters
研究了新息滤波器冲激响应的自适应辨识问题。脉冲响应是具有未知系数的已知基函数的有限和。这些未知的系数估计使用伪线性回归。该估计是使用基于位移秩结构的平方根算法来实现的。当初始条件具有低位移秩时,滤波器更新为$O(n)$。如果滤波器结构被选择为三角输入平衡,则估计问题是良好条件的,并且简单的低秩初始化是可用的。
2018-03-11 cs.SY eess.SP eess.SY