Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một bộ điều chỉnh thích nghi trực tiếp bậc bốn/thuật toán bình quân tối thiểu đã cải tiến cho thông tin liên lạc âm thanh dưới nước ở Bắc Cực
Tóm tắt
Bài báo này đề xuất một bộ điều chỉnh thích nghi trực tiếp bậc bốn có thuật toán bình quân tối thiểu (LMS/F-DAE) được cải tiến cho thông tin liên lạc âm thanh dưới nước ở Bắc Cực. Bộ điều chỉnh này có khả năng xử lý các tín hiệu băng tần cơ sở có giá trị phức và cho hiệu suất điều chỉnh tốt hơn so với LMS. Xem xét đặc điểm tính thưa thớt của các hệ số tap của bộ điều chỉnh, một chuẩn thích nghi (AN) được kết hợp vào hàm chi phí mà được sử dụng như một điều chỉnh thưa thớt. Ràng buộc chuẩn thay đổi một cách thích nghi dựa trên biên độ của từng hệ số. Đối với các hệ số quy mô nhỏ, ràng buộc thưa thớt tồn tại để tăng tốc độ hội tụ. Đối với các hệ số quy mô lớn, nó biến mất để đảm bảo lỗi điều chỉnh nhỏ hơn. Hiệu suất của AN-LMS/F-DAE được kiểm chứng qua dữ liệu thực nghiệm từ Cuộc thám hiểm Nghiên cứu Bắc Cực Quốc gia lần thứ 9 của Trung Quốc. Kết quả cho thấy rằng so với LMS/F-DAE tiêu chuẩn, AN-LMS/F-DAE có thể tăng cường mức độ thưa thớt của bộ điều chỉnh và đạt được hiệu suất tốt hơn.
Từ khóa
#Bộ điều chỉnh thích nghi #Âm thanh dưới nước #Bắc Cực #Bình quân tối thiểu #Điều chỉnh thưa thớtTài liệu tham khảo
Berger C R, Zhou Shengli, Preisig J C, et al. 2010. Sparse channel estimation for multicarrier underwater acoustic communication: from subspace methods to compressed sensing. IEEE Transactions on Signal Processing, 58(3): 1708–1721, doi: https://doi.org/10.1109/TSP.2009.2038424
Brandwood D H. 1983. A complex gradient operator and its application in adaptive array theory. IEE Proceedings H Microwaves, Optics and Antennas, 130(1): 11–16, doi: https://doi.org/10.1049/ip-h-1.1983.0004
Chen Yilun, Gu Yuantao, Hero A O. 2009. Sparse LMS for system identification. In: 2009 IEEE International Conference on Acoustics, Speech and Signal Processing. Taipei, Taiwan: IEEE, 3125–3128
Duan Weimin, Tao Jun, Zheng Y R. 2018. Efficient adaptive turbo equalization for multiple-input-multiple-output underwater acoustic communications. IEEE Journal of Oceanic Engineering, 43(3): 792–804, doi: https://doi.org/10.1109/JOE.2017.2707285
Eksioglu E M. 2014. Group sparse RLS algorithms. International Journal of Adaptive Control and Signal Processing, 28(12): 1398–1412, doi: https://doi.org/10.1002/acs.2449
Eksioglu E M, Tanc A K. 2011. RLS algorithm with convex regularization. IEEE Signal Processing Letters, 18(8): 470–473, doi: https://doi.org/10.1109/LSP.2011.2159373
Falconer D, Ariyavisitakul S L, Benyamin-Seeyar A, et al. 2002. Frequency domain equalization for single-carrier broadband wireless systems. IEEE Communications Magazine, 40(4): 58–66, doi: https://doi.org/10.1109/35.995852
Freitag L, Koski P, Morozov A, et al. 2012. Acoustic communications and navigation under Arctic ice. In: 2012 Oceans. Hampton Roads, VA, USA: IEEE, 1–8
Guan Gui, Mehbodniya A, Adachi F. 2013a. Least mean square/fourth algorithm for adaptive sparse channel estimation. In: 2013 IEEE 24th Annual IEEE International Symposium on Personal, Indoor, and Mobile Radio Communications. London, UK: IEEE, 296–300
Guan Gui, Wei Peng, Adachi F. 2013b. Adaptive system identification using robust LMS/F algorithm. International Journal of Communication Systems, 27(11): 2956–2963
Lee Y, Cox D C. 1997. Adaptive DFE with regularization for indoor wireless data communications. In: IEEE Global Telecommunications Conference. Conference Record. Phoenix, AZ, USA: IEEE, 47–51
Li Haili, Ke Changqing, Zhu Qinghui, et al. 2019. Spatial-temporal variations in net primary productivity in the Arctic from 2003 to 2016. Acta Oceanologica Sinica, 38(8): 111–121, doi: https://doi.org/10.1007/s13131-018-1274-5
Li Weichang, Preisig J C. 2007. Estimation of rapidly time-varying sparse channels. IEEE Journal of Oceanic Engineering, 32(4): 927–939, doi: https://doi.org/10.1109/JOE.2007.906409
Liu Lu, Sun Dajun, Zhang Youwen. 2017. A family of sparse group lasso RLS algorithms with adaptive regularization parameters for adaptive decision feedback equalizer in the underwater acoustic communication system. Physical Communication, 23: 114–124, doi: https://doi.org/10.1016/j.phycom.2017.03.005
Mendel J M. 1991. Tutorial on higher-order statistics (spectra) in signal processing and system theory: theoretical results and some applications. Proceedings of the IEEE, 79(3): 278–305, doi: https://doi.org/10.1109/5.75086
Pelekanakis K, Chitre M. 2010. Comparison of sparse adaptive filters for underwater acoustic channel equalization/estimation. In: 2010 IEEE International Conference on Communication Systems. Singapore, Singapore: IEEE, 395–399
Pelekanakis K, Chitre M. 2013. New sparse adaptive algorithms based on the natural gradient and the l0 -norm. IEEE Journal of Oceanic Engineering, 38(2): 323–332, doi: https://doi.org/10.1109/JOE.2012.2221811
Stojanovic M, Catipovic J, Proakis J G. 1993. Adaptive multichannel combining and equalization for underwater acoustic communications. The Journal of the Acoustical Society of America, 94(3): 1621–1631, doi: https://doi.org/10.1121/1.408135
Tao Jun, An Liang, Zheng Y R. 2017. Enhanced adaptive equalization for MIMO underwater acoustic communications. OCEANS 2017-Anchorage. Anchorage, AK, USA: IEEE, 1–5
Vanbleu K, Ysebaert G, Cuypers G, et al. 2006. Adaptive bit rate maximizing time-domain equalizer design for DMT-based systems. IEEE Transactions on Signal Processing, 54(2): 483–498, doi: https://doi.org/10.1109/TSP.2005.861901
Vlachos E, Lalos A S, Berberidis K. 2012. Stochastic gradient pursuit for adaptive equalization of sparse multipath channels. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2(3): 413–423, doi: https://doi.org/10.1109/JETCAS.2012.2214631
Walach E, Widrow B. 1984. The least mean fourth (LMF) adaptive algorithm and its family. IEEE Transactions on Information Theory, 30(2): 275–283, doi: https://doi.org/10.1109/TIT.1984.1056886
Wang Yanshuo, Huang Fei, Fan Tingting. 2017. Spatio-temporal variations of Arctic amplification and their linkage with the Arctic oscillation. Acta Oceanologica Sinica, 36(8): 42–51, doi: https://doi.org/10.1007/s13131-017-1025-z
Wu Feiyun, Tong Feng. 2013. Non-uniform norm constraint LMS algorithm for sparse system identification. IEEE Communications Letters, 17(2): 385–388, doi: https://doi.org/10.1109/LCOMM.2013.011113.121586