非高斯噪声环境下的最小误差熵自适应滤波算法研究

摘要

数字信息技术的出现，极大地提升了各行各业生产作业的效率。在生物医学仪器、自动控制系统、遥感卫星通信等实际工业领域中，数字信号处理已经有了极为广泛的应用。传统的自适应滤波算法因其简单的结构和优越的性能，广泛地应用于回声消除、系统辨识和主动噪声控制等场景。然而，面对如今日益恶劣的声学环境，譬如非高斯噪声环境和输入含噪环境等，传统的自适应滤波算法已经无法满足需求。因此，本文在最小误差熵算法(MEE)的基础上，分别引入偏差补偿技术、多项零吸引因子、归一化子带结构和凸组合思想，进一步提升了原有MEE算法在不同声学环境下的性能表现。　　首先，针对非高斯噪声环境下的输入含噪问题，本文将偏差补偿技术应用到MEE算法中，通过无偏性假设和数学推导，求得偏差补偿项，并得出偏差补偿最小误差熵算法(BCMEE)，该算法提升了MEE算法在含噪输入环境中的性能表现。　　其次，针对未知系统稀疏度的不确定性，本文将多项式零吸引因子(PZA)应用到BCMEE算法中，得出多项式零吸引偏差补偿最小误差熵算法(PZA-BCMEE)，使得原有算法可以无需获得未知系统稀疏度的先验知识，从而进一步提高了BCMEE算法对未知系统稀疏度的鲁棒性。　　最后，输入信号的相关性和单一步长所存在的瓶颈问题影响着传统算法的性能表现。本文针对此类问题，在归一化子带最小误差熵算法(NSAF-MEE)的基础上结合凸组合思想和多项式零吸引因子，分别提出凸组合NSAF-MEE(C-NSAF-MEE)算法和多项式零吸引NSAF-MEE算法(NSAF-PZAMEE)。以上两个算法分别在有色输入环境和稀疏声学环境中有较好的性能表现。

目录

声明

第一章 绪论

1.1 本课题的研究背景及意义

1.2 国内外自适应滤波算法的研究现状

1.3 本文研究目标和内容

1.3.1 本文研究目标

1.3.2 本文研究内容

1.4 本文的结构和安排

缩缩缩缩 略略略略 语语语语

数数数数 学学学学 符符符符 号号号号

第二章 自适应滤波算法基础

2.1 引言

2.2 自适应滤波器相关基础理论

2.2.1 自适应滤波器基本原理介绍

2.2.2 自适应滤波器性能指标介绍

2.3 自适应滤波器应用场景介绍

2.4 一些基本的自适应滤波算法

2.4.1 最小均方算法

2.4.2 归一化子带自适应滤波算法

2.4.3 偏差补偿归一化最小均方算法

2.4.4 零吸引最小均方算法

2.5 最小误差熵

2.6 本章小结

第三章 基于偏差补偿的最小误差熵算法

3.1 引言

3.2 偏差补偿技术

3.3 基于偏差补偿的最小误差熵算法

3.4 计算机仿真实验

3.4.1 高斯噪声环境

3.4.2 冲击噪声环境

3.4.3 含噪输入环境

3.5 收敛性分析

3.6 本章小结

第四章 基于偏差补偿的多项式零吸引最小误差熵算法

4.1 引言

4.2多项式零吸引最小误差熵算法

4.3 基于偏差补偿的多项式零吸引最小误差熵算法

4.4 计算机仿真实验

4.4.1 高斯噪声环境

4.4.2 冲击噪声环境

4.4.3 含噪输入环境

4.5 收敛性分析

4.6 本章小结

第五章 基于归一化子带结构的最小误差熵算法

5.1 引言

5.2 凸组合滤波器结构

5.3 基于归一化子带结构的凸组合最小误差熵算法

5.4 基于归一化子带结构的多项式零吸引最小误差熵算法

5.5 计算机仿真实验

5.5.1 冲击噪声环境

5.5.2 稀疏系统环境

5.6 本章小节

结论和展望

致谢

参考文献

作者在攻读硕士学位期间发表的学术论文及科研成果