论数据选择性学习

自适应滤波器应用于多种电子与通信设备，如智能手机、高级耳机、DSP 芯片、智能天线和电话会议系统。它们还应用于系统辨识、信道均衡、降噪、回声消除、干扰消除、信号预测和股票市场等诸多领域。因此，降低自适应滤波算法的能耗具有重要意义，尤其在绿色技术和电池供电设备中。本论文中，数据选择性自适应滤波器，特别是集员(SM)自适应滤波器，是实现该目标的工具。文献中已有知名的 SM 自适应滤波器。本工作在经典算法基础上引入新算法，以同时改善其性能并减少所需算术运算次数。因此，首先我们分析经典 SM 自适应滤波算法的鲁棒性。其次，我们将 SM 技术推广至三进制与四元数系统。第三，通过结合 SM 滤波与部分更新，我们引入一种具有约束步长的改进集员仿射投影算法以改善其稳定性表现。第四，我们提出一些基于最小均方(LMS)和递推最小二乘的、面向稀疏系统的低计算复杂度自适应滤波新算法。最后，我们推导若干特征 LMS 算法以利用参数中隐藏的稀疏性。