Abstract
傳統上，基於二階統計量之演算法對於雜訊干擾會有相當敏感的反應。近 幾年來，高階統計量已經廣泛地被使用來設計信號處理的領域，因為它不 僅包含信號的振輻情報同時也包含相位情報而且它對於高斯雜訊是不敏感 的。因此，許多基於高階統計量之平均平方誤差 (MSE)準則先後地被提出 來。另外，可適性濾波器也被使用在許多信號處理的領域，因為它可能有 下列之需要，如線上或及時處理 (on-line or real-time processing)或 則追蹤非穩定信號 (nonstationary signal) 的變化。基於SGB (stochastic gradient-based) 演算法，以及使用Feng的基於高階統計量 之平均平方誤差 (MSE)準則，本篇論文提出二個新的基於高階統計量之可 適性演算法用以估計一個未知的線性系統，而此未知的線性系統可以是隨 時間而變的，而且其輸入和輸出之非高斯量測信號受到高斯雜訊污染。本 篇論文對所提出的可適性演算法做了收斂分析，此收斂分析討論了如何選 取控制收斂速度的參數 (step size)。再則，經由模擬實驗，所提出之可 適性演算法被應用於系統鑑別 (system identification)及時間延遲的估 計 (time delay estimation)以証實其功效之優良。關於時間延遲估計方 面，在使用相同的模擬資料下，我們將所提出之可適性演算法與Chiang和 Nikias之方法做性能的比較。最後，我們做了一些結論。本文分四章：第 一章前言；第二章說明我們所提出的兩個基於高階統計量之可適行演算法 ；第三章模擬實驗及結果說明；第四章結論。