دانلود مقاله ترجمه شده الگوریتم LMS به روزرسانی جزئی

چکیده

به روز رسانی جزئی ضرایب فیلتر LMS روشی موثر برای کاهش بار محاسباتی و توان مصرفی در پیاده ‏سازی فیلترهای تطبیقی می ‏باشد. این مقاله یک تحلیل برای همگرایی کلاسی از الگوریتم‏ های LMS به روزرسانی جزئی (S-LMS) تحت فرض‏های مختلف ارائه می‏ دهد و نشان می‏ دهد که توسط جدول بندی به روزرسانی ضرائب بصورت تصادفی می ‏توان از واگرایی اجتناب نمود که آن را الگوریتم LMS به روز رسانی جزئی تصادفی (SPU-LMS) نامیده‏ ایم. بخصوص، تحت فرض استاندارد مستقل بودن، برای گستره وسیعی از سیگنال‏ های ایستا، الگوریتم S-LMS به میانگین همگرا می‏ شود اگر پارامتر اندازه-گام µ در گستره همگرایی LMS معمولی باشد. با آسان گرفتن فرض مستقل بودن، نشان داده شده است که الگوریتم‏ های LMS و S-LMS شروط کافی مشابه ی برای پایداری نمایی دارند. اما سیگنال‏های غیرایستایی وجود دارند که برای آنها الگوریتم‏ های موجود، شامل S-LMI، ناپایدارند و به ازای هیچ مقدار µ همگرا نمی ‏شوند. از سوی دیگر، تحت شروط مختلفی، الگوریتم SPU-LMS برای سیگنال‏ های غیرایستا پایدار باقی می‏ ماند. روابط برای نرخ همگرایی و خطای میانگین مربعی حالت ماندگار برای الگوریتم SPU-LMS ارائه شده است. نتایج نظری این مقاله اعتبارسنجی شده و توسط شبیه‏ سازی برای مثال‏ های عددی مقایسه شده ‏اند.

1-مقدمه

الگوریتم حداقل میانگین مربعات (LMS)، الگوریتم پرکاربردی برای تطبیق وزن‏ها در بیمفرمینگ‏ های تطبیقی که از آرایه‏ های آنتن استفاده می‏ کنند و برای برابرسازی کانال برای مقابله با تداخل میان نمادی، می ‏باشد. سایر حوزه‏ های کاربرد LMS شامل حذف تداخل، حذف اکو، کدگذاری و مدولاسیون زمان مکان، کپی سیگنال در نظارت و مخابرات بی سیم می‏ باشد. اگرچه الگوریتم‏ هایی با نرخ‏ های همگرایی سریعتر مانند RLS وجود دارند، LMS معروف است زیرا پیاده‏ سازی آن آسان است و هزینه محاسباتی پایینی دارد...