团队在干扰抑制算法领域取得新进展，研究成果发表于《电子与信息学报》
[2026-06-07]
团队在自适应滤波系统辨识算法领域取得重要研究进展，提出了一种基于逆QR分解的稀疏正则化递归最小二乘优化算法（CR-IQRD-RLS），有效解决了传统稀疏RLS算法在有限数值精度下的发散失稳问题，显著提升了稀疏系统辨识的精度与鲁棒性。相关研究成果以"稀疏自适应系统识别算法逆QR分解优化研究"为题，发表于国内电子信息领域权威期刊《电子与信息学报》。论文第一作者为硕士生彭弋，通讯作者为张鹏飞导师，高俊奇教授等为共同作者。
针对传统稀疏正则化递归最小二乘（L1/L0-RLS）算法在有限精度环境下协方差矩阵迭代易累积舍入误差、导致数值发散的瓶颈问题，研究团队创新性引入逆QR分解（IQRD）框架，构建了L1-IQRD-RLS与L0-IQRD-RLS两种改进算法。该框架通过正交分解规避传统QR分解的权重回代计算，不仅将计算复杂度维持在O(N²)量级，更从原理上抑制了舍入误差的累积效应；同时首次将自动参数选择机制融入逆QR分解架构，实现了稀疏正则化参数的动态优化，免除了人工调参的繁琐过程。
仿真实验表明，改进算法在稀疏系统辨识场景下性能优势显著：在11位小数定点计算环境中，传统RLS算法平均3000次迭代即出现发散，而IQRD系列算法可稳定运行10000次以上；在144阶稀疏系统中（仅4个非零系数），其归一化均方差（MSD）较传统算法降低30%以上，且在系统参数突变后能以更少迭代次数重新收敛。实测数据验证进一步显示，在电磁耦合对消场景中，L0-IQRD-RLS算法仅需5秒即可达到稳定对消状态，较标准RLS算法收敛速度提升6倍；在16位定点精度下仍能保持长期稳定，而标准RLS算法在12万次迭代后出现明显发散。
该研究为有限精度硬件平台下的稀疏系统辨识提供了高效可靠的解决方案，在电磁探测领域具有重要应用价值。尤其在低功耗嵌入式设备、无人机平台等资源受限场景中，其数值稳定性与稀疏约束特性可有效提升系统参数估计的准确性与实时性，为工程化落地提供了关键技术支撑。
