.png){kind=icon}
返回
Variable Forgetting Factor RLS Adaptive Algorithms Based on Line Search Methods
.png){kind=icon}
OA
AI
DOI：10.3390/app16104681.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
递归最小二乘（RLS）自适应算法能够通过缓解输入信号（如语音）的高相关性，在长长度脉冲响应识别方面优于最小均方（LMS）方法。尽管在跟踪速度和精度方面相较于LMS方法取得了令人鼓舞的结果，但大多数RLS算法存在数值稳定性问题。此外，当未知系统发生变化时，识别过程需要尽快适应新的脉冲响应。在声学回声消除（AEC）场景中，算法可能需要大量时间才能生成新的准确结果。由于声速传播较慢，声学回声路径通常使用数千个数值系数建模，且自适应能量相对有限。在选择遗忘因子（RLS算法的最重要参数）时，通常需要在跟踪能力和稳态精度之间进行权衡。本文分析了一种结合共轭梯度（CG）线搜索方法的变遗忘因子（VFF）RLS型自适应滤波器，其设计旨在避免传统的矩阵求逆方法。该VFF-RLS-CG自适应方法不易受数值稳定性问题影响，并设计用于通过判断是否发生跟踪情况或未知系统是否显著不同来调整其统计估计。相应地，在必要时，遗忘因子会减小以更快适应工作环境的变化。当滤波器被估计处于稳态工作时，上述参数值会增加以提高自适应滤波器的精度。理论模型通过包含跟踪发生和相关稳态间隔的AEC场景模拟进行了验证。
Keyword:
recursive least-squares
line search method
conjugate gradient
acoustic echo cancellation
tracking
variable forgetting factor
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
分享收藏An Ultrafast Variable Forgetting Factor Recursive Least Square Method for Determining the State-of-Health of Li-Ion Batteries.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容