Помощь в написании студенческих работ
Антистрессовый сервис

Исследование и разработка алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи

Диссертация: Исследование и разработка алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Основное содержание работы докладывалось и обсуждалось на XIII, XIV и XV Российской научно-технической конференции ПГУТИ (Самара, 2006 г., 2007 г. и 2008 г.), на VII и VIII Международной научно-технической конференции «Проблемы техники и технологий телекоммуникаций» (Самара, 2006 г. Уфа, 2007 г.), на IX и X Международной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2007 г… Читать ещё >

Исследование и разработка алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. ТЕОРИЯ АДАПТИВНЫХ СИСТЕМ
    • 1. 1. Понятие и классификация адаптивных систем
    • 1. 2. Концепция адаптивной обработки сигналов
    • 1. 3. Алгоритмы адаптивной фильтрации
      • 1. 3. 1. Закон сохранения энергии весовых коэффициентов соседних итераций
      • 1. 3. 2. Класс адаптивных алгоритмов с нелинейной функцией ошибки
      • 1. 3. 3. Класс нормализованных адаптивных алгоритмов
      • 1. 3. 4. Класс адаптивных алгоритмов аффинных проекций
      • 1. 3. 5. Адаптивные алгоритмы с переменным шагом адаптации
      • 1. 3. 6. Рекурсивные алгоритмы наименьших квадратов
      • 1. 3. 7. Адаптивная фильтрация в частотной области
    • 1. 4. Выводы
  • 2. КУМУЛЯНТНОЕ ОПИСАНИЕ СЛУЧАЙНЫХ ВЕЛИЧИН
    • 2. 1. Определение кумулянтов и их свойства
    • 2. 2. Модельные распределения
    • 2. 3. Использование кумулянтного анализа в задачах оценивания параметров случайного процесса
      • 2. 3. 1. Дифференциальные уравнения для кумулянтов
      • 2. 3. 2. Пример
      • 2. 3. 3. Пример
      • 2. 3. 4. ПримерЗ
    • 2. 4. Выводы
  • 3. РАЗРАБОТКА АЛГОРИТМОВ АДАПТИВНОЙ ФИЛЬТРАЦИИ НЕГАУССОВСКИХ СИГНАЛОВ
    • 3. 1. Концепция адаптивного подавления помех
    • 3. 2. Адаптивный алгоритм фильтрации негауссовских сигналов, основанный на применении кумулянтов
    • 3. 3. Разработанный адаптивный алгоритм фильтрации негауссовских сигналов
    • 3. 4. Выводы
  • 4. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ РАБОТЫ АС
    • 4. 1. Моделирование стационарных СП
      • 4. 1. 1. Моделирование гауссовских стационарных СП
      • 4. 1. 2. Моделирование негауссовских стационарных СП
    • 4. 2. Моделирование процесса оценок кумулянтов негауссовских СП
    • 4. 3. Моделирование процесса оценки негауссовского СП адаптивными алгоритмами, использующие кумулянты порядка выше второго
    • 4. 4. Моделирование процесса оценки негауссовского СП разработанным адаптивным алгоритмом
    • 4. 5. Выводы

Актуальность темы

.

Построение высокоскоростных систем передачи дискретных сообщений, использующих стохастические каналы связи, является весьма актуальным ввиду того, что количество передаваемой по каналам связи информации непрерывно увеличивается. Так, все увеличивающийся объем подлежащих передаче данных диктует необходимость использования для этого не только специально выделенных каналов, но и каналов ухудшенного качества (с коммутацией), а также радиоканалов различного вида.

При скоростной передаче дискретных сообщений по стохастическим каналам связи возникают множество проблем, связанных с учетом различного рода аддитивных помех. Например, при использовании каналов связи коротковолнового диапазона особенно характерна ситуация присутствия в них сосредоточенных по спектру помех, являющихся негауссовскими случайными процессами. Наличие этих помех обусловлено, например, большим числом радиосредств, одновременно работающих в канале на близких частотах.

Недостаточность априорных сведений о свойствах сосредоточенных помех в месте приема приводит к построению адаптивных устройств. Решению задачи преодоления априорной неопределенности были посвящены работы Б. Р. Левина, Р. Л. Стратоновича, ЯЗ. Цыпкина, В. Г. Репина, Г. П, Тартаковского, В. В. Шахгильдяна, Ю. Г. Сосулина. Среди зарубежных ученных, изучающих данную проблему, стоит особо выделить В. Widrow, Walach Е, S. Haykin, Т. Kailath, А.Н. Sayed, N. R. Yousef, Т. Y. Al-Naffouri, V.H. Nascimento, M. Rupp, S. C. Douglas, T. H.-Y. Meng.

Существует множество работ посвященных адаптивной фильтрации сигналов, в которых рассматривается алгоритм наименьших средних квадратов и алгоритмы, являющиеся его модификацией, а также исследуются алгоритмы с переменным шагом адаптации. В последнее время интерес многих исследователей связан с синтезом оптимальной функции ошибки, позволяющей реализовать алгоритм адаптивной фильтрации негауссовских случайных процессов с высокими качественными показателями.

В данной работе, основываясь на широко применяющейся сегодня теории кумулянтного анализа, решается задача разработки и анализа новых алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи.

Цель работы.

Разработка алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи. Анализ точности фильтрации и скорости сходимости процесса адаптации.

Основные задачи исследования.

— анализ алгоритмов адаптивной фильтрации случайных сигналов;

— исследование методов представления марковских случайных процессов с использованием кумулянтного анализа;

— разработка алгоритмов адаптивной фильтрации негауссовских случайных процессов;

— статистическое моделирование алгоритмов адаптивной фильтрации негауссовских случайных процессовисследование характеристик алгоритмов фильтрации.

Методы исследования.

Основные теоретические и экспериментальные исследования диссертационной работы выполнены с применением методов теории вероятностей, математической статистики, имитационного моделирования и вычислительных методов, реализованных в пакете Matlab.

Научная новизна работы.

Научная новизна диссертационной работы заключается в следующем:

— выполнено обобщение методов вычисления кумулянтов в задачах представления негауссовских марковских случайных процессов;

— предложен метод формирования оптимальной функции ошибки (управляющего сигнала) в алгоритме адаптивной фильтрации негауссовских сигналов;

— предложен алгоритм адаптивной фильтрации негауссовких сигналов на основе комбинации алгоритма наименьших средних квадратов и алгоритма, минимизирующего среднее значение четвертой степени сигнала ошибки;

— выполнен анализ характеристик предложенного алгоритма адаптивной фильтрации негауссовской фильтрации.

Основные положения, выносимые на защиту.

— методы представления марковских стационарных процессов с использованием кумулянтного анализа;

— алгоритм адаптивной фильтрации негауссовких сигналов на основе комбинации алгоритма наименьших средних квадратов и алгоритма, минимизирующего среднее значение четвертой степени сигнала ошибки;

— результаты анализа алгоритмов адаптивной фильтрации.

Практическая ценность и реализация результатов работы.

Разработанные в диссертации алгоритмы адаптивной фильтрации негауссовских случайных процессов целесообразно применять в связи, радиолокации, гидролокации, сейсмологии, навигации, биомедицинской электроники. В частности, рассмотренные алгоритмы целесообразно использовать при разработке приемных устройств декаметрового диапазона, осуществляющих фильтрацию узкополосных (сосредоточенных) помех в сочетании с разнесенным приемом.

Результаты диссертационной работы внедрены в ФГУП СОНИИР (г. Самара) при реализации ОКР «Объект-С» и «Оптимум-С», что подтверждено 8 актом внедрения, представленным в приложении. В приложении так же представлен акт внедрения результатов работы в учебный процесс по кафедре «Теоретических основ радиотехники и связи» ПГУТИ.

Апробация работы.

Основное содержание работы докладывалось и обсуждалось на XIII, XIV и XV Российской научно-технической конференции ПГУТИ (Самара, 2006 г., 2007 г. и 2008 г.), на VII и VIII Международной научно-технической конференции «Проблемы техники и технологий телекоммуникаций» (Самара, 2006 г. Уфа, 2007 г.), на IX и X Международной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2007 г. 2008 г.), XIII и XIV Международной научно-технической конференции «Радиолокация, навигация, связь» (Воронеж, 2007 г. и 2008 г.), VI Международной научно-технической конференции «Физика и технические приложения волновых процессов» (Казань, 2007 г.), VII и VIII Всероссийском Симпозиуме по Прикладной и Промышленной Математике (Йошкар-Ола, 2006 г. и Сочи-Адлер, 2007 г.) и представлены на мультиконференции SCI 2007, Orlando, Florida, USA.

Публикации.

По теме диссертации опубликовано 11 работ, в том числе 3 работы из перечня, рекомендованного ВАК РФ для публикации результатов диссертационных исследований, 5 тезисов, 4 публикаций трудов и докладов на международных научных конференциях.

Структура и объём работы.

Диссертационная работа состоит из введения, четырёх глав, заключения, списка литературы и приложений. Основная часть работы содержит 167 страниц машинописного текста, 53 рисунка, 17 таблиц.

Список литературы

включает 118 наименований.

4.5. Выводы.

В данной главе описаны компьютерные эксперименты:

— моделирование процесса оценки центрированного негауссовского СП адаптивными алгоритмами, использующие кумулянты порядка выше второго;

— моделирование процесса оценки центрированного негауссовского СП разработанным адаптивным алгоритмом, осуществляющего корректирование весовых коэффициентов-фильтра при учете сигнала ошибки, его квадрата и куба.

Для реализации адаптивной фильтрации центрированных негауссовских СП алгоритмами, учитывающих кумулянты порядка выше второго, предложен метод их оценивания. Эффективность предложенного метода оценки кумулянтов была подтверждена компьютерными экспериментами.

Проведено моделирование алгоритма, учитывающего 3 кумулянт, алгоритма, учитывающего 3 и 4 кумулянты, алгоритма, учитывающего истинные значения 3 и 4 кумулянтов. Показано, что СКО оценок негауссовских СП на фоне действия гауссовских помех алгоритмами, функционирование которых основано на учете кумулянтов порядка выше второго, имеют меньшие значения по сравнению СКО оценок, даваемых алгоритмом наименьших средних квадратов.

Проведено моделирование комбинированного алгоритма, основанного на LMS алгоритме и алгоритме, учитывающего истинные значения 3 и 4 кумулянтов. Показано, что такое сочетание алгоритмов первоначально позволяет осуществить быструю сходимость, обусловленную сходимостью адаптивного процесса LMS алгоритма, а затем коррекции винеровской оценки, обусловленной адаптивным процессом алгоритма, учитывающего 3 и 4 кумулянт.

Проведено моделирование разработанного адаптивного алгоритма, корректирование весовых коэффициентов фильтра которого основано на использовании сигнала ошибки, а также его квадрата и куба. Показано, что данный алгоритм при определенных значениях его параметра А, производит оценки стационарных негауссовских СП с меньшим значением СКО по сравнению с LMS алгоритмом и с алгоритмами, учитывающие кумулянты порядка выше второго. Поэтому, основываясь на полученных результатах, применение разработанного алгоритма при решении практических задач оценивания негауссовских СП предпочтительнее не только из-за меньших значений СКО даваемых им оценок, но из-за его более простой вычислительной сложности, что является одним из важных факторов выбора адаптивных алгоритмов при решении соответствующих задач на практике.

В главе методом моделирования на ЭВМ была получена зависимость СКО оценок стационарных негауссовских СП, даваемых рассмотренными алгоритмами адаптивной фильтрации, от отношения сигнал/шум.

ЗАКЛЮЧЕНИЕ

.

В данной диссертационной работе было произведено исследование и разработка алгоритмов адаптивной фильтрации негауссовских сигналов в каналах связи.

В результате анализа существующих работ по данной тематике, проведенного в ходе диссертационного исследования, показано, что существующие на сегодняшний момент алгоритмы адаптивной фильтрации после завершения процесса адаптации в стационарном состоянии реализуют винеровскую оценку. Данная оценка является оптимальной, если оцениваемый сигнал имеет гауссовскую плотность вероятности. Реализация винеровской оценки основано на применении статистик первого и второго порядков, т. е. математического ожидания и дисперсии. При адаптивной фильтрации сигнала с негауссовской плотностью вероятности алгоритмы, представленные в первой главе, реализуют псевдобайсовскую оценку, которая эквивалентна по структуре винеровской, так как при ее реализации плотность сигнала аппроксимируется гауссовской плотностью. Следовательно, оценка негауссовских сигналов, осуществляемая такими алгоритмами является не оптимальной и приводит к большим значениям СКО.

Для повышения точности адаптивной фильтрации негауссовских сигналов в диссертационной работе при выводе соответствующих алгоритмов учитывались кумулянты порядка выше второго, являющиеся информацией, характеризующей негауссовость оцениваемых сигналов.

На примерах решения задач оценивания центральных моментов негауссовского случайного процесса было показано эффективность использования кумулянтов. А именно, учет кумулянтов выше второго порядка позволяет значительно повысить точность вычисления центральных моментов по сравнению с результатами, полученными при учете только первых двух кумулянтов.

В целом, по итогам работы можно сформулировать следующие основные полученные результаты:

— выполнено обобщение методов вычисления кумулянтов в задачах представления негауссовских марковских случайных процессов;

— предложен метод формирования оптимальной функции ошибки (управляющего сигнала) в алгоритме адаптивной фильтрации негауссовских сигналов;

— предложен алгоритм адаптивной фильтрации негауссовких сигналов на основе комбинации алгоритма наименьших средних квадратов и алгоритма, минимизирующего среднее значение четвертой степени сигнала ошибки;

— выполнен анализ характеристик предложенного алгоритма адаптивной фильтрации негауссовской фильтрации.

Показать весь текст

Список литературы

  1. , Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стринз- пер. с англ. под ред. В. В. Шахгильдяна. — М.: Радио и связь, 1989. — 440 е.: ил.
  2. Haykin, S. Adaptive filter theory / S. Haykin. Изд. 3-е. — NJ: Prentice-Hall. — 1996. — P. 989.
  3. Haykin, S. Adaptive filters./ S. Haykin // IEEE Transactions on Communications. 1995. — Vol. 7. — P. 547−553.
  4. Manolakis, D. G. Statistical and adaptive signal processing: spectral estimation, signal modeling, adaptive filtering and array processing / D. G. Manolakis, V. K. Ingle, S. M. Kogan. MA: Artech house publishers, 2005.-P. 816.
  5. , О. В. Методы слепой обработки сигналов и их приложения в системах радиотехники и связи / О. В. Горячкин. — М.: Радио и связь, 2003.-230 е.: ил.
  6. Sato, Y. Two extensional applications of zero-forcing equalization method / Y. Sato // IEEE Transactions on Communications. 1975. — Vol. COM-23. -P. 684−687.
  7. Godard, D. N. Self-recovering equalization and carrier tracking in a two-dimensional data communication system / D. N. Godard // IEEE Trans. Acoust. Speech Signal Process. 1980. — Vol. COM-27. — P. 1867−1875.
  8. Treichler, J. R. A new approach to multipath correction of constant modulus signals / J. R. Treichler, B. G. Agee // IEEE Trans. Acoust. Speech Signal Process. 1983. — Vol. ASSP-31. — P. 459−471.
  9. Hatzinakos, D. Blind equalization using a tricepstrum based algorithm
  10. D. Hatzinakos, C. L. Nikias // IEEE Transactions on-Communications. —i1991. Vol. COM-39. — P. 669−682.
  11. , Д. Цифровая связь. / Д. Прокис- пер. с англ. под ред. Д. Д. Кловского. М.: Радио и связь, 2000. — 800 е.: ил.
  12. , D. Т. Blind separation of mixture of independent sources through a quasi-maximum likelihood approach / D. T. Pham, P. Garrat // IEEE Transactions on Signal Processing. -1997. — Vol. COM-45. P. 1712−1725.
  13. Bell, A. J. An information-maximization approach to blind separation and blind diconvolution / A. J. Bell, T. J. Sejnowski // Neural Computation. 1995.-Vol. 6.-P. 1129−1159.
  14. , Э. Теория оценивания и ее применение в^ связи и управлении / Э. Сейдж, Мейлс- пер. с англ. под ред. Б. Р. Левина — М.: Связь, 1976.-496 с.
  15. , П. М. Адаптивные фильтры / П. М. Грант, К. Ф. Н. Коуэн, Б. Фридлендер, Д. Р. Трейчлер, Д. М. Тернер, Э. Р. Феррара, П. Ф. Адаме — пер. с англ. под. ред. Коуэна К. Ф. Н. и Гранта П. М. М.: Мир, 1988.-392 е., ил.
  16. , Э. С. Цифровая обработка сигналов: практический подход / Э. С. Айфичер, Б. У. Джервис. Изд. 2-е — М.: Издательский дом «Вильяме», 2004. — 992 е.: ил.
  17. Zaknich, A. Principles of adaptive filters and self-learning systems. / A. Zaknich. Springer, 2005. — P. 397.
  18. Nascimento, V.H. On the learning mechanism of adaptive filters / V.H. Nascimento, A.H. Sayed // IEEE Trans. Signal Process. Vol. 48(6), -P. 1609 (2000).
  19. S. Haykin, B. Widrow, Energy conservation and the learning ability of LMS adaptive filters, In Least-mean-square adaptive filters: New Insights, pp. 79−104, Wiley, NY, 2003.
  20. Widrow, B. Adaptive switching circuits / B. Widrow, M. E. Hoff // IRE WESCON Convention Record. 1960. — P. 96−104.
  21. Sayed, A. H. A state-space approach to adaptive RLS filtering / A. H. Sayed, T. Kailath // IEEE Signal Processing Magazine. 1994. — Vol. 11, № 3. — P. 18−60.
  22. Morf, M. Square root algorithms for least squares estimation / M. Morf, T. Kailath // IEEE Transactions on Automatic Control. — 1975. — Vol. AC-20, № 4. P. 487−497.
  23. Lee, D. T. L. Recursive least-square ladder estimation algorithms / D. T. L. Lee, M. Morf, B. Friedlander // IEEE Transactions on Circuits And Systems.- -1981.- Vol. CAS-28, № 6. P. 467−481.
  24. Lev-Ari, H. Least squares adaptive lattice and transversal filters: A unified geometrical theory / H. Lev-Ari, T. Kailath, J. Cioffi // IEEE on Information Theory. 1984. — Vol. IT-30, № 2. — P. 222−236.
  25. Honig, M. L. Adaptive Filters — Structures, Algorithms and Applications / M. L. Honig, D. G. Messerschmitt. — Kluwer Academic Publishers, 1984.
  26. Nascimento, V. H. Analysis of the hierarchical LMS algorithm / V. H. Nascimento // IEEE Commun. lett. 2003. — Vol. 10, № 3. — P. 78−81.
  27. Woo, T.-K. Fast hierarchical least mean square algorithm / T.-K. Woo // IEEE Signal Processing lett. 2001. — Vol. 8. — P. 289−291.
  28. Nascimento, V. H. HRLS: A more efficient RLS algorithm for adaptive FIR filtering / V. H. Nascimento // IEEE Commun. lett. 2001. -Vol. 5.-P. 81−84.
  29. Al-Naffouri, Т. Y. Transient analysis of data-normalized adaptive filters / T. Y. Al-Naffouri, A. H. Sayed // IEEE Trans. Signal Processing. -2003.-Vol. 51, № 3. -P. 639−652.
  30. Tarrab, Ml Convergence and performance analysis of normalized LMS algorithm with uncorrelated Gaussian data / M. Tarrab, A. Feuer // IEEE Trans. Inform. Theory. -1988. Vol. 34. — P. 680−690.
  31. Rupp, M. The behavior of LMS and NLMS algorithms in the presence of spherically invariant processes / M. Rupp // IEEE Trans. Signal Processing. 1993.-Vol. 41.-P. 1149−1160.
  32. , D. Т. M. On the convergence behavior of the LMS and normalized LMS algorithms. / D. Т. M. Slock // IEEE Trans. Signal Processing. 1993. — Vol. 41. — P. 2811−2825.
  33. Bershad, N. J. Behavior of the s -normalized LMS algorithms with Gaussian inputs / N. J. Bershad // IEEE Trans. Acoust., Speech, Signal Processing. -1987 Vol. ASSP-35. — P. 636−644.
  34. Al-Naffouri, T. Y. Analysis of the normalized LMS algorithms with Gaussian inputs / T. Y. Al-Naffouri, A. H. Sayed // IEEE Trans. Acoust., Speech, Signal Processing. 1986. — Vol. ASSP-34. — P. 793−806.
  35. Douglas, S. C. Normalized data nonlinearities for LMS adaptation / S. C. Douglas, T. H.-Y. Meng // IEEE Trans. Signal Processing. -1994. Vol. 42.-P. 1352−1365.
  36. Hyun-Chool Shin. Mean-Square performance of a family of affine projection algorithms / Hyun-Chool Shin, A. H. Sayed // IEEE Trans. Signal Processing. 2004. — Vol. 52. — P. 90−102.
  37. Abadi, M. S. E. Mean-square performance of adaptive filter algorithms in nonstationary environments / M. S. E. Abadi, J. H. Husoy // International journal of signal processing. 2007. — Vol. 4, № 3. p. 182 188.
  38. Ozeki, К. An adaptive filtering algorithm using an orthogonal projection to an affine subspace and its properties / K. Ozeki, T. Umeda // Electron. Commun. Jpn. 1984. — Vol. 67-A, №.5. — P. 19−27.
  39. Bershad, N. J. A stochastic analysis of the affine projection algorithm for gaussian autoregressive inputs / N. J. Bershad, D. Linebarger, S. McLaughlin // ICASSP: proc. UT: Saly Lake City, 2001. — P. 3837−3840.
  40. Walach, E. The least mean fourth (LMF) adaptive algorithm and its family / Walach E., Widrow B. // IEEE Trans. Inform. Theory. — 1984. — Vol. IT-30, № 2. P. 275−283.
  41. Nascimento, V. H. Analysis of the least mean fourth algorithm based on Gaussian distributed tap weights / V. H. Nascimento, J. С. M. Bermudez, // EUSIPC02000. Tampere, Sept. 2000.
  42. Hbscher, P. I. An improved statistical analysis of the least mean fourth (LMF) adaptive algorithm / P. I. Hbscher, J. С. M. Bermudez // IEEE Trans. Signal Processing. -2003. Vol. 51, № 3. — P. 664−671.
  43. Nascimento, V. H. When is the least-mean fourth algorithm mean-square stable? / V. H. Nascimento, J. С. M. Bermudez // IEEE International conference on Acoustics, Speech and Signal Processing 2005. -2005. — Vol. IV.-P. 341−344.
  44. Nascimento, V. H. Probability of divergence for the least-mean fourth (LMF) algorithm / V. H. Nascimento, J. С. M. Bermudez'// IEEE Trans, on Signal Proces. 2006. — Vol. 54, № 4.-P. 1376−1385.
  45. Chambers, J. A. Least mean mixed-norm adaptive filtering / J. A. Chambers, O. Tanrikulu, A. G. Constantindes // Electron. Lett. — 1994. -Vol. 30- №. 19. P. 1574−1575.
  46. Chambers, J. A. Convergence and steady-state properties of the least mean mixed-norm (LMMN) adaptive algorithm / J. A. Chambers, O. Tanrikulu // Inst. Elect. Eng., Vis., Image signal process. June. 1996. — Vol. 143, № 3.-P. 137−142.
  47. Shin, H.-C. Mean-square performance of data-reusing adaptive algorithms / H.-C. Shin, W.-J. Song, A. H. Sayed // IEEE Signal Processing Lett. 2005. — Vol. 12, № 12.-P. 851−854.
  48. Apolinario, J. Convergence analysis of the binormalized data-reusing LMS algorithm / J. Apolinario, M. L. Campos, P. S. R. Diniz // IEEE Signal Processing. 2000. — Vol. 48. — P. 3235−3242.
  49. Schnaufer, B. A. New data-reusing LMS algorithms for improved convergence / B. A. Schnaufer, W. K. Jenkis // Int. Symp. Circuits Systems. 1998.-P. 1584−1588.
  50. Duttweiler, D. L. Adaptive filter performance with nonlinearities in the correlation multiplier / D. L. Duttweiler // IEEE Trans. Acoust., Speech, Signal Processing. 1982. — Vol. ASSP-30. — P. 578−486.
  51. Gibson, J. MVSE adaptive filtering subject to a constraint on MSE / J. Gibson, S. Gray // IEEE Trans. Circuits Syst. 1988. — Vol. 35. — P. 603 608.
  52. Sethares, W. Adaptive algorithms with nonlinear data and error function / W. Sethares // IEEE Signal Processing. 1992. — Vol. 40. — P. 2199−2206.
  53. Mathews, V. Improved convergence analysis of stochastic gradient adaptive filters using the sign algorithm / V. Mathews, S. Cho // IEEE
  54. Trans. Acoust., Speech, Signal Processing. 1987. — Vol. ASSP-35. — P. 450−454.
  55. Bershad, N. J. On error saturation nonlinearities in LMS adaptation / N. J. Bershad // IEEE Trans. Acoust., Speech, Signal Processing. 1988. -Vol. 36.-P. 440−452.
  56. Bershad, N. J. Saturation effects in LMS adaptive echo cancellation for binary data / N. J. Bershad, M. Bonnet // IEEE Trans. Acoust., Speech, Signal Processing. 1990. — Vol. 38. — P. 1687−1696.
  57. Eweda, E. Comparison of RLS, LMS, and sign algorithms for tracking randomly time-varying channels / E. Eweda // IEEE Signal Processing. — 1994. Vol. 42. — P. 2937−2944.
  58. Claasen, T. Comparison of the convergence of two algoritms for adaptive FIR digital filters / T. Claasen, W. Mecklenbrauker // IEEE Trans. Circuits Syst. -1981. Vol. CAS-28. — P. 510−518.
  59. Florian, S. Performance analysis of the LMS algorithm with a tapped delay line (two-dimensional case) / S. Florian, A. Feuer // IEEE Trans. Acoust., Speech, Signal Processing. -1986. Vol. ASSP-34. — P. 15 421 549.
  60. Douglas, S. C. Exact expectation analysis of the LMS algorithm filter / S. C. Douglas, W. Pan // IEEE Signal Processing. Vol. 43. — P. 28 632 871.
  61. Nascimento, V. H. Stability of the 1ms adaptive filter by means of a state equation / V. H. Nascimento, A. H. Sayed, // Annual Allerton Conf. Commun., Contr., Comput. 1998. — P. 242−251.
  62. Gardner, W. A. Learning characteristic of stochastic-descent algorithms: A general study, analysis, and critique / W. A. Gardner // IEEE Signal Processing. 1984. — Vol. 6, № 2. — P. 113−133.
  63. Feuer, A. Convergence analysis of LMS filter with uncorrelated Gaussian data / A. Feuer, E. Weinstein // IEEE Trans. Acoust., Speech, Signal Processing. 1985. — Vol. ASSP-33.
  64. Husoy, J. H. A unified framework for adaptive filtering / J. Ы. Husoy // NORSING: proc. Bergen, Norway, Oct. 2003.
  65. Sharma, R. Asymptotic analysis of stochastic gradient-based, adaptive filtering algorithms with general cost functions / R. Sharma, William A. Sethares, J. A. Bucklew // IEEE Signal Processing. 1996. — Vol. 44, № 9. -P. 2186−2194.
  66. Sethares, W. A. Adaptive algorithms with nonlinear data and error functions / W. A. Sethares // IEEE Signal Processing. 1992. — «Vol. 40, № 9.-P. 2199−2206.
  67. Yousef, N. R. A unifed approach to the steady-state and tracking analyses of adaptive filters / N. R. Yousef, A. H. Sayed // IEEE Signal Processing.-2001.-Vol. 49, №. 2.-P. 314−324.
  68. Al-Naffouri, T. Y Transient analysis of adaptive filters with error nonlinearities / T. Y Al-Naffouri, A. H. Sayed // IEEE Trans. Signal Processing.-2003.-Vol. 51, № 3.-P. 653−663.
  69. Sayed, A. H. A time-domain feedback analysis of adaptive algorithms via the small gain theorem / A. H. Sayed, M. Rupp // SPIE. 1995. — Vol. 2563.-P. 458−469.
  70. Sayed, A. H. A time- domain feedback analysis of filtered-error adaptive gradient algorithms / A. H. Sayed, M. Rupp, // IEEE Trans. Signal Processing. 1996. — Vol. 44. — P. 1428−1439.
  71. A. H. Sayed, M. Rupp, Robustness issues in adaptive filtering, in DSP Handbook, Boca Raton, FL: CRC, 1998, ch. 20.
  72. Sayed, A. H. On the convergence of blind adaptive equalizers for constant-modulus signals / A. H. Sayed, M. Rupp // IEEE Trans. Commun. 2000. — Vol. 48. — P. 795−803.
  73. , В. Г. Обзор современных алгоритмов адаптивной фильтрации / В. Г. Карташевский, С. В. Шатилов // Труды XIV международная научно-техническая конференция „Радиолокация, навигация, связь“. — Воронеж, 2008. — С. 968−974.
  74. , S. К. Analysis of error-gradient adaptive linear estimators for a class of stationary dependent processes / S. K. Jones, R. K. Cavin, W. M. Reed // IEEE Trans. Inform. Theory. 1982. — Vol. IT-28. — P. 318−329.
  75. Gay, S. L. Acoustic signal processing for telecommunication / S. L. Gay, J. Benesty. 2 edition — Springer, 2000. — P. 333.
  76. Mathews, V. J. A stochastic gradient adaptive filter with gradient adaptive step size / V. J. Mathews, Z. Xie // IEEE Signal Processing. -1993.-Vol. 41.-P. 2075−0287.
  77. Kanemasa, A. An adaptive-size sign algorithm for fast convergence of a data echo canceller / A. Kanemasa, K. Niwa // IEEE Trans. Commun. — 1987.-Vol. 35.-P. 1102−1108.
  78. Kwong, R. H. A variably step-size LMS algorithm / R. H. Kwong, E. W. Johnston // IEEE Signal Processing. 1992. — Vol. 40. — P. 1633−1642.
  79. Aboulnasr, T. A robust variable step-size LMS-type algorithm: Analysis and simulations / T. Aboulnasr, K. Mayys // IEEE Trans. Signal Processing. 1997. — Vol. 45. — P. 631−639.
  80. Mader, A. Step-size control for acosustic echo cancellation filters -An overview / A. Mader, H. Puder, G. U. Schmidt // IEEE Trans. Signal Processing. 2000. — Vol. 45. — P. 1697−1719.
  81. Shin’ichi Koike A class of adaptive step-size control algorithms for adaptive filters / Shin» ichi Koike // IEEE Trans. Signal Processing. 2002. -Vol. 50, № 6.-P. 1315−1326.
  82. , Э. Теория оценивания и ее применение в связи и управлении / Э. Сейдж, Дж. Меле- под. ред. Б. Р. Левина М.: Сов. радио, 1976.-496 с.
  83. Bierman, G. J. Factorization methods for discrete sequential estimation / Bierman, G. J. — NY: Academic Press., 1977. — P. 256.
  84. Morf, M. Square root algorithms for least squares estimation / M. Morf, K. Kailath // IEEE Transsac. on Automatic Control. 1975. — Vol. AC-20, № 4. — P. 487−497.
  85. А. Н. Sayed, К. Kailath, Recursive Least-square adaptive filters, in DSP handbook, ch. 21, CRC Press., 1998.
  86. Lawson, C. L. Solving Least-square problems / C. L. Lawson, R. J. Hanson. Society for Industrial Mathematics, 1987. — P. 350.
  87. Shynk, J. J. Frequency-domain and multirate adaptive filtering / J. J. Shynk // IEEE SP magazine. 1992. — P. 14−37.
  88. , В.Г. Псевдобайесовская фильтрация негауссовского сигнала / В. Г. Карташевский, С. В. Шатилов // Тексты докладов XIII Международной научно-технической конференции «Радиолокация, навигация, связь». Воронеж, 2007. — С. 859−863.
  89. , А.Н. Кумулянтный анализ случайных негауссовских процессов и их преобразование / А. Н. Малахов. — М.: Сов. радио, 1978.-376 с.
  90. . М., Стьюарт, Теория распределений / М. Кендалл, Стьюарт- перв. с англ. под ред. А. Н. Колмогорова. — М.: Наука, 1966. — 588 с. с ил.
  91. , С.В. Приближенное вычисление центральных моментов негауссовского случайного процесса / С. В. Шатилов // Труды VI Международной научно-технической конференции «Физика и технические приложения волновых процессов». — Казань, 2007. — С. 351−352.
  92. , С.В. Об эффективном использовании кумулянтов при решении задачи оценивания характеристик негауссовского случайного процесса / С. В. Шатилов // Тезисы докладов Восьмого Всероссийского
  93. Симпозиума по Прикладной и Промышленной Математике. Сочи-Адлер, 2008. — С. 377−378.
  94. , С.В. Применение кумулянтов при оценивании центральных моментов негауссовского случайного процесса / С. В. Шатилов // Труды 10-й Международной конференции «Цифровая обработка сигналов и ее применение» (DSPA-2008). — Москва, 2008. — С. 162−163.
  95. , В.И. Нелинейная фильтрация и квазикогерентный прием сигналов / В. И. Тихонов, Н. К. Кульман. — М.: Сов. Радио, 1975. -704 с.
  96. , B.C. Теория стохастических систем / Пугачев B.C., Синицын И. Н. М.: Логос, 2004. — 1000 с.
  97. , М.Л. Приближенный анализ нелинейных, нестационарных динамических систем / М. Л. Дашевский, Р. Ш. Липцер // Автоматика и телемеханика. 1967. — № 8. — С. 33−43.
  98. , М.Л. Приближенный анализ точности нестационарных нелинейных систем методом семиинвариантов / М. Л. Дашевский // Автоматика и телемеханика. 1967. — № 11. — С. 62−81.
  99. , С.В. Применение кумулянтов при оценивании центральных моментов негауссовского случайного процесса / С.В.
  100. Шатилов // Инфокоммуникационные технологии. 2008. — Т.6, № 1. -С. 16−19.
  101. Mathes, J.H. Numerical methods using matlab / J.H. Mathes, K.D. Fink Prentice Hall, 1999. — 662 c.
  102. , M.A. Марковские процессы / M.A. Миронов, В. И. Тихонов. М., Сов. Радио, 1977. — 488 с.
  103. , С.В. Применение кумулянтов при оценивании моментов негауссовского случайного процесса / С. В. Шатилов // Радиотехника. — 2009. (в печати).
  104. Н.С. Численные методы / Бахвалов Н. С., Жидков Н. П., Кобельников Г. М. 4-е изд. — М.: БИНОМ. Лаборатория знаний, 2006. -636 с.
  105. , С.В. Адаптивная фильтрация негауссовских процессов / С. В. Шатилов // Тезисы докладов XIII Российск. научн. конф. профессорско-преподавательского состава ПГАТИ. ПГАТИ, Самара, 2006. — С.16−17.
  106. , В.Г. Обработка пространственно-временных сигналов в каналах с памятью / В. Г. Карташевский. М.: Радио и связь, 2000. — 272 е.: 78 ил.
  107. , B.B. Цифровое моделирование в статистической радиотехнике / B.B. Быков. М.: Советское радио, 1971. — 328 с.
  108. , А.Д. Курс теории случайных процессов / А. Д. Вентцель. Изд. 2-е, доп. — М.: Наука, Физматлит, 1966. — 400 с.
  109. , Ю.Г. Вероятностное моделирование на электронных вычислительных машинах / Ю. Г. Поляк. М.: Советское радио, 1971 — 400 с.
  110. , Б.Р. Теоретические основы статистической радиофизики / Б. Р. Левин. М.: Советское радио, Т.1. — 1969. — 728 с.
Заполнить форму текущей работой

Сессия? Спокойно!