Performance analysis of IPNLMS for identification of time-varying systems

Loganathan, Pradeep; Habets, Emanuël A. P.; Naylor, Patrick A.

doi:10.1109/icassp.2010.5495893

Cited by 12 publications

(13 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It is well-known that diagonalizes a Toeplitz matrix asymptotically as [33]. Thus, the matrix (30) approaches a diagonal matrix, as , with the diagonal elements as given in (20). Similarly, both and approach diagonal matrices as .…”

Section: A Ptf For Lms Algorithmmentioning

confidence: 96%

“…The resulting diagonal elements and are the covariances of the underlying feedback/echo path changes, and the power spectrum density (PSD) of the loudspeaker signal , respectively. Inserting (29) in (30) and using that , the matrix is expressed by (31) , defined in (20), follow as the diagonal elements of which are given by (32) where denotes the cross(auto) PSDs of the incoming signals and .…”

Section: A Ptf For Lms Algorithmmentioning

confidence: 99%

“…Thus, in this work, we derive a much simpler but accurate approximation . We introduce the notation (20) and a PTF approximation of in (19) is defined as (21) Our derivations are based on an open-loop setup, i.e., is omitted in Fig. 2, as in a traditional AEC system.…”

Section: Power Transfer Functionmentioning

confidence: 99%

See 2 more Smart Citations

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Guo

Elmedyb

Jensen

et al. 2011

IEEE Trans. Signal Process.

View full text Add to dashboard Cite

In this work, we analyze a general multiple-microphone and single-loudspeaker audio processing system, where a multichannel adaptive system is used to cancel the effect of acoustic feedback/echo, and a beamformer processes the feedback/echo canceled signals. We introduce and derive an accurate approximation of a frequency domain measure-the power transfer function-and show how it can be used to predict the convergence rate, system stability bound and the steady-state behavior of the entire cancellation system across frequency and time. We consider three example adaptive algorithms in the cancellation system: the least mean square, normalized least mean square, and the recursive least squares algorithms. Furthermore, we derive expressions to determine the step size parameter in the adaptive algorithms to achieve a desired system behavior, e.g., convergence rate at a specific frequency. Finally, we compare and discuss the performance of all three adaptive algorithms, and we verify the derived expressions through simulation experiments.Index Terms-Adaptive echo cancellation, adaptive feedback cancellation, convergence rate, steady-state behavior.

show abstract

Section: A Ptf For Lms Algorithmmentioning

confidence: 96%

Section: A Ptf For Lms Algorithmmentioning

confidence: 99%

See 1 more Smart Citation

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Guo

Elmedyb

Jensen

et al. 2011

IEEE Trans. Signal Process.

View full text Add to dashboard Cite

show abstract

“…The algorithm by Kaczmarz, better known as NLMSnormalized least-mean-square algorithm, is widely used not only in the systems of identification of stationary [23] and non-stationary [24][25][26] system. In [27][28][29], its application to solving problems of filtration was described.…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

“…In [27][28][29], its application to solving problems of filtration was described. It should be noted that in papers [19,[24][25][26], to describe the non-stationary parameters, the first-order Markovian model was used, while papers [30,31] used the modified first-order Markovian model (this model received fairly wide use in training artificial neural networks [31]). It should be noted that the use of such a model is very convenient, because it allows receiving the analytical estimates of the dynamic properties of specific algorithms quite easily.…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Analysis of convergence of adaptive singlestep algorithms for the identification of nonstationary objects

Rudenko¹,

Bezsonov²,

Romanyk³

et al. 2019

EEJET

View full text Add to dashboard Cite

Розглядається задача ідентифікації нестаціонарних параметрів лінійного об'єкта, які можна описати Марківською моделлю першого порядку, за допомогою найбільш простих в обчислювальному відношенні однокрокових адаптивних алгоритмів ідентифікації -модифікованих алгоритмів Качмажа і Нагумо-Ноди. Ці алгоритми не потребують знання інформації щодо ступеня нестаціонарності об'єкту, що досліджується, вони використовують при побудові моделі інформацію тільки про один такт (крок) вимірювань. Наявність в цих алгоритмах в знаменнику значень вхідних сигналів свідчить про необхідність введення в них деяких обмежень на ці сигнали. Модифікація полягає в використанні в алгоритмах регуляризуючого додатку, з метою покращення їх обчислювальних властивостей та уникнення поділу на нуль. Застосування Марковської моделі є досить ефективним, бо дає можливість отримати аналітичні оцінки властивостей алгоритмів. Показано, що використання регуляризуючого додатку в алгоритмах ідентифікації, покращуючи стійкість алгоритмів, призводить до деякого уповільнення процесу побудови моделі. Визначено умови збіжності регуляризованих алгоритмів Качмажа і Нагумо-Ноди при оцінюванні нестаціонарних параметрів в середньому та середньоквадратичному і наявності завад вимірів. Отримані оцінки відрізняються від існуючих більшою точністю. Незважаючи на це, вони є досить загальними і залежать як від ступеня нестаціонарності об'єкту, так і від статистичних характеристик завад. Крім того, визначено вирази для оптимальних значень параметрів алгоритмів, що забезпечують їх максимальну швидкість збіжності в умовах не стаціонарності та присутності гаусовських завад. Отримані аналітичні вирази містять ряд невідомих параметрів (помилка оцінювання, ступінь нестаціонарності об'єкту, статистичні характеристики завад). Для їх практичного застосування слід скористатися будь-якою рекурентною процедурою оцінювання цих невідомих параметрів і використовувати одержувані оцінки для уточнення тих параметрів, що входять в алгоритмиКлючові слова: Марківська модель, адаптивний алгоритм Качмажа, Нагумо-Ноди, регуляризація, рекурентна процедура, оптимальний параметр UDC 004.852

show abstract

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Kuhn

Perez

Souza

et al. 2020

J Control Autom Electr Syst

View full text Add to dashboard Cite

This paper presents a stochastic model for the normalized smoothed variation rate individual-activation-factor proportionate normalized least-mean-square (NSVR-IAF-PNLMS) algorithm. Specifically, taking into account correlated Gaussian input data, model expressions are derived for predicting the mean weight vector, gain distribution matrix, NSVR metric, learning curve, weight-error correlation matrix, and steady-state excess mean-square error. Such expressions are obtained by considering the time-varying characteristics of the gain distribution matrix. Simulation results are shown confirming the accuracy of the proposed model for different operating conditions. Keywords Adaptive filtering • Proportionate normalized least-mean-square algorithm • Stochastic model 1 Introduction Although the least-mean-square (LMS) and the normalized LMS (NLMS) algorithms have been commonly used in many real-world applications (Sayed 2009; Farhang-Boroujeny 2013; Haykin 2014), these algorithms exhibit slow conver-B Rui Seara

show abstract

Performance analysis of IPNLMS for identification of time-varying systems

Cited by 12 publications

References 6 publications

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Analysis of convergence of adaptive singlestep algorithms for the identification of nonstationary objects

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Contact Info

Product

Resources

About

Performance analysis of IPNLMS for identification of time-varying systems

Cited by 12 publications

References 6 publications

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Analysis of Acoustic Feedback/Echo Cancellation in Multiple-Microphone and Single-Loudspeaker Systems Using a Power Transfer Function Method

Analysis of convergence of adaptive single­step algorithms for the identification of non­stationary objects

On the Stochastic Modeling of the NSVR–IAF–PNLMS Algorithm for Correlated Gaussian Input Data

Contact Info

Product

Resources

About

Analysis of convergence of adaptive singlestep algorithms for the identification of nonstationary objects