编辑推荐：
针对复值信号处理中噪声约束算法匮乏、非二次代价函数应用难的问题，研究人员提出 WL-NCAFHS 算法，结合双曲正割（HS）代价函数与噪声约束，经理论分析及系统辨识等仿真，证实其在收敛速度、稳态 MSD 和鲁棒性上的优势。
在信号处理的广阔领域中，复值信号如同精密运转的齿轮，推动着通信、雷达、生物医学等众多领域的发展。然而，这片看似繁华的领域却暗藏挑战：传统的自适应滤波算法在面对非高斯噪声尤其是脉冲噪声时，就像脆弱的玻璃器皿，极易受到干扰，性能大幅下降。同时，对于非圆（ improper ）复值信号，仅依赖传统的严格线性模型，如同用单眼视物，无法完整捕捉信号的二阶统计特性，导致信息丢失。更棘手的是，尽管噪声约束技术能借助噪声先验信息提升算法鲁棒性，但在复值信号场景下，如何将其与非二次代价函数结合，一直是困扰研究者的难题，仿佛在迷雾中寻找正确的方向。
为突破这些困境，国内研究人员开展了一项具有创新性的研究，相关成果发表在《Digital Signal Processing》。他们将目光聚焦于广义线性模型（ Widely Linear Model ）与非二次代价函数的融合，提出了基于双曲正割（ Hyperbolic Secant ）代价函数的广义线性噪声约束自适应滤波算法（ WL-NCAFHS ），旨在为复值信号处理在复杂噪声环境中开辟一条新路径。
研究中，关键技术方法主要包括：利用拉格朗日乘数法构建带噪声约束的优化问题，通过随机梯度下降法迭代更新滤波器权值；对双曲正割代价函数在最优权值处进行一阶泰勒展开，借助噪声方差信息实现非二次代价函数的估计；采用增广权向量构建广义线性模型，同时描述信号的线性与共轭线性成分。
算法推导与理论分析
研究人员首先构建了广义线性系统模型：dk=hoHuk+goHuˉk+vk，其中vk为零均值、方差σv2的加性噪声。为最小化双曲正割代价函数Jsech(ek)并满足噪声约束条件Jsech(ek)=Jsech(σv)，通过拉格朗日乘数法与随机梯度下降法，推导出 WL-NCAFHS 算法的权值更新公式：wk+1=wk+μ(1+λσv2)q(∣ek∣)eˉkzk，其中q(∣ek∣)为双曲正割函数的导数项，zk=[ukT,uˉkH]T为增广输入向量。
在理论分析部分，通过定义权值误差向量w~k=wo?wk，推导得出算法的均值收敛条件依赖于步长μ和噪声约束参数λ的取值，需满足0<μ<2/[tr(Rz)(1+λσv2)2]（Rz为输入向量的自相关矩阵）。均方分析表明，算法的稳态均方偏差（ MSD ）与噪声方差、步长及输入信号特性相关，引入噪声约束可有效降低稳态误差。计算复杂度分析显示，算法每迭代一次的乘法运算量为O(4L)（L为滤波器阶数），与传统 WL-CLMS 算法相当，保持了较低的计算开销。
仿真验证
研究通过系统辨识和一步超前预测两个基准问题验证算法性能。在系统辨识实验中，设置输入信号为非圆复高斯信号，噪声分别为高斯噪声和脉冲噪声（如对称 α 稳定分布噪声）。结果显示，相较于 WL-CLMS 和 WL-CHSAF 算法，WL-NCAFHS 在高斯噪声下收敛速度提升约 30%，稳态 MSD 降低 5dB；在脉冲噪声环境中，其稳态 MSD 优势更显著，比 WL-CHSAF 低约 8dB，展现出更强的抗脉冲干扰能力。
一步超前预测实验采用 AR (10) 模型生成非圆复值信号，噪声设置同上。结果表明，WL-NCAFHS 在预测均方误差（ MSE ）和跟踪速度上均优于对比算法，尤其在噪声方差突变时，能更快恢复稳定，验证了噪声约束对算法鲁棒性的提升作用。
结论与意义
WL-NCAFHS 算法成功将噪声约束技术与非二次代价函数结合，为复值信号处理提供了新的有效工具。其核心贡献在于：通过泰勒展开解决了非二次代价函数在最优权值处的估计难题，理论分析揭示了算法收敛特性与参数设计准则，仿真实验则证实了其在复杂噪声环境下的优越性。该研究不仅拓展了广义线性自适应滤波的理论体系，也为通信抗干扰、雷达目标检测、生物医学信号去噪等实际应用提供了更鲁棒的算法选择，推动了复值信号处理技术向更高可靠性和更强适应性迈进。
