基于非线性主成分分析的自适应变步长盲源分离算法

？算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(npca)算法不能兼顾收敛速度和估计精度的情形，提出基于梯度的自适应变步长npca算法和最优变步长npca算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长npca算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长npca算法相比,两种自适应变步长npca算法相对固定步长npca算法都具有更好的收敛速度或跟踪性能,且最优变步长npca算法的性能优于基于梯度的自适应变步长npca算法。