《表3 各算法的稳态精度和每次迭代CPU运算时间》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于变中心互相关熵的比例自适应滤波算法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

a)研究各算法在前述三种不同非零均值非高斯背景噪声干扰下的性能。在本文实验中，各算法步长的设置遵循初始收敛速度一致的准则，从而主要以稳态MSD作为其性能的评价准则。如图2～4所示为在不同背景噪声下不同算法的收敛曲线结果图。从该结果中发现:（a） LMS与PLMS算法在上述这三种不同非高斯噪声环境下的结果均不理想，该结果说明以MSE为准则的算法在解决非高斯噪声干扰问题的确存在缺陷；（b） MCC、ZAMCC、PMCC算法虽然表现出较理想的稳态精度，且ZAMCC和PMCC算法的性能更优于MCC算法，说明这两种算法对于稀疏系统参数辨识的优势，该结果表明以MCC为代价函数的算法可以有效解决非高斯噪声干扰问题；（c） MCC-VC和PMCC-VC算法以非零均值高斯函数为代价函数，其可以匹配非零均值噪声的误差分布，因此它们的稳态精度则更高，另外由于在PMCC-VC算法中引入了比例增益矩阵，其可以为每个系数分配不同的步长，更适合稀疏系统参数辨识问题，因此具有高的稳态精度。另外，表3中给出了各种算法在二值分布背景噪声环境下的稳态精度（stedy-state MSD，ss MSD）和每次迭代过程各算法所需的CPU运行时间（time）。其中稳态精度根据迭代后1 000次结果的平均值来计算。从该结果中不难看出，所提算法尽管需要较高的时间复杂度，但是其却可获得非常高的稳态精度。总之，上述结果说明了本文算法结合了MCC-VC与比例更新的优势，可以很好地解决非零均值非高斯背景噪声的稀疏系统辨识问题，验证了算法的有效性。