最小均方(Least Mean Square, LMS)算法因其计算复杂度低、稳定性好的特点已广泛应用于谐波检测领域中。但为了避免权重偏移,进一步提高收敛速度,提出了一种基于线性约束最小均方(Linearly Constrained Least Mean Square, LCLMS)的谐...最小均方(Least Mean Square, LMS)算法因其计算复杂度低、稳定性好的特点已广泛应用于谐波检测领域中。但为了避免权重偏移,进一步提高收敛速度,提出了一种基于线性约束最小均方(Linearly Constrained Least Mean Square, LCLMS)的谐波检测算法。该算法在LMS算法的基础上,对权重变量加入了一个线性约束条件,并应用于不同高斯白噪声环境下谐波、间谐波信号的幅值和相角参数评估。最后又在稳态信号、动态信号和电弧炉算例下检验了该算法的可行性。实验结果表明,该算法可以快速准确地检测不同环境下谐波的相关信息,且相比LMS算法有较快的收敛速度和较高的抗干扰能力。展开更多
文摘最小均方(Least Mean Square, LMS)算法因其计算复杂度低、稳定性好的特点已广泛应用于谐波检测领域中。但为了避免权重偏移,进一步提高收敛速度,提出了一种基于线性约束最小均方(Linearly Constrained Least Mean Square, LCLMS)的谐波检测算法。该算法在LMS算法的基础上,对权重变量加入了一个线性约束条件,并应用于不同高斯白噪声环境下谐波、间谐波信号的幅值和相角参数评估。最后又在稳态信号、动态信号和电弧炉算例下检验了该算法的可行性。实验结果表明,该算法可以快速准确地检测不同环境下谐波的相关信息,且相比LMS算法有较快的收敛速度和较高的抗干扰能力。
