脉冲噪声环境下变步长自适应时延估计新算法.pdf

《脉冲噪声环境下变步长自适应时延估计新算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第12期段晓霞．脉冲噪声环境下变步长自适应时延估计新算法脉冲噪声环境下变步长自适应时延估计新算法段晓霞(华南理工大学广州学院电子信息工程学院，广州510800)摘要在介绍自适应时延估计方法的基础上，提出脉冲噪声环境下变步长自适应时延估计新算法，新算法是在LMP算法的基础上结合二阶统计量的自适应可变步长思想提出的。仿真结果表明：该算法改善了传统算法由于固定步长取值不当而导致的性能劣化问题，并且在可靠性和稳定性方面也有相应的改善。关键词时延估计脉冲噪声环境变步长二阶统计量自适应仿真中图分类号TH89文献标识码A文章编号1000—3932(2012)12．1585-06时间

2、延迟估计(TimeDelayEstimation，TDE)是利用信号处理理论和方法对不同接收器所接收同源带噪信号的时间差进行估计，来确定其他相关参量，如信号源的距离和方位以及运动的方向和速度等。时间延迟估计的研究，一直是信号处理领域中一个十分活跃的研究课题，具有重要的理论意义和应用价值‘11，已广泛应用于语音信号处理、声学定位、目标探测与跟踪、无线通信、地球物理勘探故障诊断及生物医学工程等领域。自适应时延估计是一种基于自适应滤波器和自适应信号处理技术，将时延估计问题转化为对滤波器的参数估计，在某种准则控制下，自动调整滤波器参数并实现最优。时延估计需要考虑的主要因素之一

3、是噪声，在实际应用中常常会遇到一类具有显著尖峰脉冲特性的噪声，如在水声、地震勘探、雷达和许多生物医学信号处理中所涉及的非高斯噪声。如果采用高斯分布模型来描述这类过程，将会由于模型与信号噪声不能很好匹配而导致所设计的信号处理器性能显著退化，通常采用分数低阶0【稳定分布(FractionalLowerOrderOLStableDistribution，FLOA)来描述这类脉冲性噪声。1自适应时延估计方法1．1LMS自适应时延估计方法最小均方算法(LeastMeanSquare，LMS)自适应时间延迟估计方法(LMS—TDE)旧。是一种最基本的自适应时延估计方法，该算法简单

4、，易于实现，收敛特性较好，因此在理论研究与实际应用中受到广泛重视。LMS—TDE是基于自适应滤波算法的，其表达式为：re(n)=戈：(乃)一，，(凡)2y(n)=xj(，1)”(n)=加7(n)x。(n)(1)【。(。+1)：。n)+卢。n)。，(凡)式中e(n)——误差函数；埘(n)——自适应滤波器的权系数；戈。(n)、x：(n)——接收信号；肛——LMs算法的步长参数，该参数是决定收敛速度的重要因素。信号龙，(n)和戈：(n)之间的时间延迟由自适应滤波器权矢量收敛曲线峰值所对应的值来确定：D=argm“[∞(n)](2)对于固定步长的LMS算法而言，由于步长不能随

5、时间而变化，导致其收敛性和稳定性不能同时达到最优，文献[3]提出基于s函数的变步长LMS自适应滤波算法(SVSLMS)来优化协调这个矛盾问题。该算法的思想是，步长因子能够动态调整，在未知系统参数发生变化或在收敛初始阶段，应选择较大的步长，以加快收敛速度，在算法收敛之后将步长调整并保持在很小的状态，以使稳态误差变小。SVSLMS算法的变步长因子p是通过对误差信号e(n)进行Sigmoid变换得到的，具体算式为：p(r／,)=．九e(n)]收稿日期：2012-09—13(修改稿)化工自动化及仪表第39卷邛{百丽F丽。0·5j∞)其中，卢是控制Js型函数范围的常数；’7是决

6、定曲线收敛速度的常数。文献[4]将该变步长自适应滤波算法的思想用于求取时间延迟估计，得到变步长LMS—TDE方法(即SVSLMS．TDE)，实验表明SVSLMS—TDE方法在实现更快的收敛速度的同时能够保持较小的稳态误差。可见，采用变步长思想可以有效避免传统LMS．TDE方法中存在的收敛速度与稳态误差之间的矛盾。1．2LMP自适应时延估计方法最小平均P范数(LeastMeanP—order，LMP)自适应时延估计方法(LMP-TDE)”。是针对具有显著尖峰脉冲的0【稳定分布噪声条件，由LMS—TDE改进得到的。LMP．TDE方法将代价函数的均方误差函数改变为平均P范数

7、函数，其表达式为：儿”(n)]=叫Ie(n)I’]=E[1戈2(n)一加1(n)并l(n)I’]，1≤p≤a(4)其中e(n)的表达式与式(1)中的相同。对于长度为Ⅳ的随机输入序列，代价函数的估值为：‘'Ⅳ一MJ[卯]2j高面。：毛+。Ix2(n)一WT(n)z-(n)I9与LMS—TDE相同，LMP-TDE利用梯度最速下降的技术来搜寻代价函数的最优点，其迭代的一般公式为：W(n+1)="(n)一肛V(，1)其中，n时刻代价函数的梯度用V(n)表示为：V㈤=揣(5)将J[W(n)]的表达式(4)代人式(5)，并借用LMS算法，利用误差函数的单次样本替