دانلود ترجمه مقاله الگوریتم های NLMS با اندازه متغیر و پروجکشن آفین (آی تریپل ای ۲۰۰۴)

الگوریتم های NLMS با اندازه متغیر و پروجکشن آفین

Variable Step-Size NLMS and Affine Projection Algorithms

چکیده

۱ معرفی

۲ APA با اندازه گام متغیر

۳ نتایج شبیه سازی ها

۴نتیجه گیری

منابع

چکیده

این مقاله دو الگوریتم جدید با اندازه گام متغیر برای حداقل میانگین مجذور نرمالیزه شده و تصویر همگر پیشنهاد می   کند. طرح های پیشنهادی منجر به سرعت همگرایی سریع تر و خطای ناسازگاری کمتر می شوند.

۱٫ معرفی

دیتای ورودی رنگی عملکرد همگرایی فیلترهای تطبیقی نوع حداقل میانگین مجذور (LMS) را بدتر می­کند [۱]-[۳]. به منظور غلبه بر این مشکل، Ozeki و Umeda یک الگوریتم تصویر همگر پیشنهاد دادند (APA) [4] که مبتنی بر تصویرهای زیرفضای همگر است. برخلاف NMLS، که بردار وزن را فقط براساس بردار ورودی فعلی به­روز می­کند، APA بردار وزن را براساس بردارهای ورودی K به­روز می­کند. در هر دو نوعِ حداقل میانگین مجذور نرمالیزه شده (NMLS) و APA، اندازه گام μ، سرعت همگرایی و خطای میانگین مربع بیش از حد حالت پایدار  را کنترل می­کند. برای برآورده کردن نیازمندی­های متناقص همگرایی سریع و ناسازگاری کم، اندازه گام باید کنترل شود. در LMS استاندارد، طرح­های مختلفی برای کنترل اندازه گام ارائه شده است [۵]-[۸]. عملکرد این طرح­ها با توجه به میزان دقت تخمین اینکه فیلتر چقدر از عملکرد بهینه فاصله دارد، مشخص می­شود. معیارهای مختلفی بدین منظور توسعه داده شده است. Kwong و Johnston از خطاهای آنی مربع (مجذور) استفاده کردند [۵]. به منظور بهبود آسیب ناپذیری نویزی تحت تاثیر نویز گوسی Aboulnasr و Mayyas از خودهم­بستگی مربعی (مجذور شده) خطاها در زمان مجاور استفاده کردند [۶]، و Pazaitis و Constantinides انباشت مرتبه چهارم خطای آنی را تصویب کردند [۷]. در [۸] و در برخی از مراجع موجود در آن، اندازه گام بهینه برای NLMS از طریق به حداقل رساندن انحراف میانگین مجذور در هر تکرار بدست آمده است. این معیارها برای LMS بطور موثری عمل می­کنند اما برای APA به طور مستقیم کاربرد ندارند. دلیل این امر این است که خطای آنی APA یک بردار است، برخلاف خطای آنی در LMS که یک مقدار عددی است.

در این مقاله، ما معیاری ارائه کردیم که ارزیابی وضعیت فیلتر تطبیقی را فراهم می­کند، یعنی نشان می­دهد که فیلتر تطبیقی چقدر به عملکرد بهینه نزدیک است. با استفاده از این معیار، ما یک APA با اندازه گام متغیر ایجاد می­کنیم که سرعت هم­گرایی سریع­­تر و خطای ناسازگاری کم­تری نسبت به طرح های موجود دارد. ما همچنین به عنوان یک مورد خاص، یک الگوریتم NLMS با اندازه گام متغیر را توسعه می­دهیم. در تمام این مقاله نشانه­گذاری­های زیر تصویب شده است: ||.|| مقیاس اقلیدسی یک بردار است و Tr(.) اثر یک ماتریس است.