自适应噪声对消系统

二维相控阵的自适应-自适应旁瓣对消策略刘颜回;廖锟;程娟;杨晶;王育强【摘要】传统旁瓣对消方法采用单元天线作为辅助通道，系统对消输出的信噪比较低，且合成阵列存在较高的副瓣抬升隐患。

针对二维稀疏阵列的应用特点，提出一种新的自适应—自适应旁瓣对消策略。

该方法取代了传统方法中使用的单元天线以及数字加权方法，使用小型阵列作为辅助通道和射频加权，并借助辅助通道对干扰方向进行估计，根据估计得到的干扰方向信息对辅助子阵列内部的射频加权系数进行调整，使得辅助通道的波束最大可能地对准干扰方向。

最后利用恒增益对消技术，实现主阵列中的旁瓣对消。

仿真实验结果表明了该方法的有效性和优势。

%The traditional adaptive sidelobe cancellation method uses single antenna as assistant channel,so the signal to noise ratio (SNR) of system output is small,and it is possible to uplift the sidelobe in synthetic array.In view of application feature of two⁃di⁃mensional sparse array,a new method named adaptive⁃adaptive sidelobe cancellation is proposed in this paper.The new method replaces the single antenna with small synthetic arrays as assistant channel and replaces digital weighting method with RF weighting method,and it estimates the direction of the jamming with assistant channel.According to the information about the direction,the new method adjusts the RF weight of assistant channel, and makes the beam of assistant channel align the jamming directions. The sidelobe cancellation method with constant gain is used to perform the sidelobe cancellation.The simulation results prove the effectiveness and advantages of the proposed method.【期刊名称】《无线电工程》【年(卷),期】2016(046)003【总页数】5页(P1-4,21)【关键词】旁瓣对消;自适应-自适应方法;来波到达角;波束形成【作者】刘颜回;廖锟;程娟;杨晶;王育强【作者单位】厦门大学电子科学系，福建厦门361005;厦门大学电子科学系，福建厦门361005;厦门大学电子科学系，福建厦门361005;厦门大学电子科学系，福建厦门361005;电子信息控制重点实验室，四川成都 610036【正文语种】中文【中图分类】TN973.3AbstractThe traditional adaptive sidelobe cancellation method uses single antenna as assistant channel,so the signal to noise ratio (SNR) of system output is s mall,and it is possible to uplift the sidelobe in synthetic array.In view of ap plication feature of two-dimensional sparse array,a new method named adaptive-adaptive sidelobe cancellation is proposed in this paper.The new method r eplaces the single antenna with small synthetic arrays as assistant channel and replaces digital weighting method with RF weighting method,and it es timates the direction of the jamming with assistant channel.According to t he information about the direction,the new method adjusts the RF weightof assistant channel,and makes the beam of assistant channel align the jam ming directions.The sidelobe cancellation method with constant gain is use d to perform the sidelobe cancellation.The simulation results prove the eff ectiveness and advantages of the proposed method.Key words sidelobe cancellation;adaptive-adaptive sidelobe cancellation method;direction of arrival (DOA);beam for ming随着电磁环境的日益恶化，雷达接收信号中夹杂的干扰成分也日趋复杂。

⾃适应信号处理综述（终稿）⾃适应信号处理综述曹志锋（长沙理⼯⼤学电⽓与信息⼯程学院学号：0000000）摘要：本⽂对⾃适应信号处理的发展进程做了简单的介绍，并阐述了⾃适应信号处理的基本原理及其算法的推导。

介绍了⾃适应信号处理技术在滤波、系统辨识、⾃适应均衡、回波抵消、谱估计、谱线增强、⾃适应波束形成等⽅⾯的应⽤, 并介绍了其发展前景。

关键字：⾃适应信号处理；LMS算法；滤波；系统辨别An Overview of Adaptive Signal ProcessingAbstract: In this paper, adaptive signal processing of the development process to doa brief introduction, And describes the basic principles of adaptive signal processing andalgorithm derivation . Inthistext,the applicationof thetechnology of adaptive signalprocessing is introduced in filtering,system analysis,adaptive equilibria, echocancelation,spectrum estimation,spectrumboosting-up, adaptive beam’s forming and soon,as well as its future.Keywords:adaptive signal processing;LMS algorithm;filtering; system recognition0引⾔⾃适应信号（Adaptive Signal Processing）处理的研究⼯作始于20世纪中叶。

在1957年⾄1960年间，美国通⽤电⽓公司的豪厄尔斯（P.Howells）和阿普尔鲍姆（P.Applebaum），与他们的同事们研究和使⽤了简单的是适应滤波器，⽤以消除混杂在有⽤信号中的噪声和⼲扰。

浅析LMS算法的改进及其应用摘要：本文简单介绍了LMS算法，以及为了解决基本LMS算法中收敛速度和稳态误差之间的矛盾，提出了一种改进的变步长LMS 算法，并将其应用于噪声抵消和谐波检测中去。

关键字：LMS算法；变步长；噪声抵消；谐波检测引言自适应滤波处理技术可以用来检测平稳和非平稳的随机信号，具有很强的自学习和自跟踪能力，算法简单易于实现，在噪声干扰抵消、线性预测编码、通信系统中的自适应均衡、未知系统的自适应参数辨识等方面获得了广泛的应用。

自适应滤波则是利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。

所谓“最优”是以一定的准则来衡量的，根据自适应滤波算法优化准则不同，自适应滤波算法可以分为最小均方误差(LMS)算法和递推最小二乘(RLS)算法两类最基本的算法。

基于最小均方误差准则，LMS算法使滤波器的输出信号与期望输出信号之间的均方误差最小，因此，本文在基本LMS算法基础上，提出一种新的变步长自适应滤波算法，将其应用于噪声抵消和谐波检测中去。

一．LMS算法LMS算法即最小均方误差(least-mean-squares) 算法，是线性自适应滤波算法，包括滤波过程和自适应过程。

基于最速下降法的LMS算法的迭代公式如下：e ( n) = d ( n)- w ( n - 1) x ( n) （1）w ( n) =w ( n - 1) + 2μ( n) e ( n) x ( n) （2）式中，x ( n)为自适应滤波器的输入；d ( n)为参考信号；e ( n)为误差；w ( n)为权重系数；μ( n)为步长。

LMS算法收敛的条件为：0 <μ< 1/λmax ，λmax是输入信号自相关矩阵的最大特征值。

二．LMS算法的改进由于LMS算法具有结构简单，计算复杂度小，性能稳定等特点，因而被广泛地应用于自适应均衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。

§6-8自适应陷波滤波器自适应消噪器可以作自适应陷波器用。

主要解决那些原始输入信号是由有用信号和一个多余的正弦干扰叠加组成的。

消除这种干扰的传统方法是利用陷波滤波器。

6.8.1陷波滤波器(Adaptive Notch Filter) 在线性滤波器中，常常需要从以下信号中消除单正弦分量t A t s t x 0sin )()(ω+=这个正弦分量，相当于仪器中的50Hz 交流电干扰，应排除其对信号s(t)的干扰，但在滤除过程，又要求基本上不改变接受信号中的其他频率分量，因此，要求其频率特性为)1696(,0,1)(00-⎩⎨⎧=≠=∆ ωωωωωt j e H 如果陷波滤波器的频率特性是周期变化的，则如图：6.8.2自适应陷波滤波器自适应陷波滤波器的频率特性的陷井中心频率除等于外加的正弦或余弦频率外，还随它的改变而自动的修改滤波参数来对准，即自适应的跟踪。

其优点是很容易控制带宽，消噪声的能力没有限制，能够准确跟踪干扰频率。

图6-27所示为两个自动加权的、单频的自适应陷波滤波器，他的原始输入可以是任一种信号：随机的或确定的，周期的或瞬时的。

假设参考输入是一个纯余弦波)cos(0ϕω+kT C ，原始输入与参考输入均以采样频率f T s =1同步采样，考虑x 1(k) 与x 2(k)间存在90’相移，即：)(sin )()cos()(0201ϕωϕω+=+=kT s C k x kT C k x它们通过相关抵消回路以最小均方算法去控制w1(k)与w2(k)加权，而由两个加权输出相加，成为自适应陷波滤波器的输出。

根据LMS 算法，由式（6-114）则：)1706(2,1),()(2)()1(-=+=+ i k x k e k w k w i i i μμ为收敛因子。

为确定自适应陷波滤波器的传递函数，根据上面讨论，可以画出LMS 算法工作原理的流程图。

如图：先求c 点至f点传输支路的输出响应，令c 点加上一个单位采样序列δ()k m -，有⎩⎨⎧≠==-=m k m k m k k e ,0,1)()(δ d 点的响应是：⎩⎨⎧≠=+=-+=m k m k kT C m k kT C k e k x ,0),cos()()cos()()(001ϕωδϕω它在幅度上按 k=m 时刻的x 1(k)瞬时值采样。

基于Volterra自适应滤波器的噪声抵消器的设计完成日期：指导教师签字：答辩小组成员签字：基于Volterra自适应滤波器的噪声抵消器的设计摘要在现代信号信息处理领域，自适应信号处理是一个非常重要的分支。

随着研究深入，人们发现在回声对消、高速通信信道等含有非线性干扰的环境, 线性自适应滤波器的线性本质使其性能并不理想。

为了弥补线性滤波器在现实应用中的缺陷，人们越来越关注非线性滤波器的研究。

近年来，非线性滤波器在理论上和应用上取得了长足的进步，其中，Volterra滤波器结构简单、性能良好，是线性系统在非线性系统中的推广，被广泛用于回波抵消、系统辨识、混沌预测等领域。

本文主要研究了基于Volterra自适应滤波器的噪声抵消器的设计。

首先，介绍了Volterra自适应滤波器的基础理论，包括Volterra级数模型、现阶段非线性自适应滤波器的种类，以及LMS、RLS自适应算法。

然后，研究了基于Volterra自适应滤波器的噪声抵消器的设计，介绍自适应噪声抵消器的基本原理。

最后，设计了基于Volterra自适应滤波器的噪声抵消器，进行仿真，并对基于Volterra LMS、Volterra RLS滤波器以及步长不同的Volterra LMS滤波器的噪声抵消器的性能进行了讨论。

关键词：Volterra滤波器；噪声抵消器；LMS自适应算；RLS自适应算法The Design of Noise Canceller Based on VolterraAdaptive FilterAbstractIn the field of signal and processing,adaptive signal processing has been one of the major topics of signal processing society.In the filter design problems,linear filter and its problem setting have dominated due to the advanced theoretical mathematical tools provided by the theory on linear systems.However,despite these advantages owned by linear filter algorithm,not all signal processing problems can be satisfactorily addressed through the use of linear filters.In order to overcome the shortcomings of the linear filter,more attention was paid to the research of the nonlinear filter.One constructive and versatile approach to nonlinear filters is the V olterra filter,which T has been widely applied in fields of echo cancellation,system identification,chaotic forecasting,etc.This paper focuses on the design of the noise canceller based on the V olterra adaptive filter.Firstly,the basic theory of the V olterra adaptive filter is introduced,which includes the V olterra series model,some kinds of nonlinear adaptive filter at present stage ,LMS adaptive algorithm and RLS adaptive algorithm.Secondly,the design of the noise canceller based on the V olterra adaptive filter is studied,and the basic theory of adaptive noise canceller is introduced.Finally,the noise canceller is designed and simulated,and the performance of noise canceller based on V olterra LMS filter,V olterra RLS filter and V olterra LMS filters with different step size is discussed.Keywords：V olterra filter; noise canceller;LMS adaptive algorithm;RLS adaptive algorithm目录1 绪论1.1 研究背景和意义 (1)1.2 基于Volterra自适应滤波器的噪声抵消器的发展现状 (1)1.3 本文的主要工作及章节安排 (2)2. Volterra自适应滤波器的基础理论2.1 Volterra级数模型 (4)2.1.1 Taylor级数 (4)2.1.2 Volterra级数 (4)2.1.3 Volterra级数与幂级数 (5)2.2 其他非线性自适应滤波器 (6)2.3 线性自适应算法 (6)2.3.1 最小均方自适应LMS算法 (6)2.3.2 递归最小二乘RLS算法 (7)2.3.3 其他线性自适应算法 (8)2.3.4 本章小结 (9)3 基于自适应滤波器的噪声抵消原理3.1 基于自适应滤波器的噪声抵消的研究意义 (10)3.2 基于自适应滤波器的噪声抵消器的基本结构 (10)3.3 基于自适应滤波器的噪声抵消器的基本原理 (10)4 基于Volterra自适应滤波器的噪声抵消器的设计与仿真4.1 基于Volterra自适应滤波器的噪声抵消器的设计 (12)4.2 设计及仿真结果的分析 (12)4.2.1 基于VLMS自适应滤波器的噪声抵消器的仿真结果与分析 (12)4.2.2 基于VRLS自适应滤波器的噪声抵消器的仿真结果与分析 (17)5 总结与展望6 附录6.1 基于VLMS自适应滤波器的噪声抵消器程序 (22)6.2 基于VRLS自适应滤波器的噪声抵消器程序 (23)1 绪论1.1 研究背景和意义在现代信号与信息处理学科中，自适应信号处理是一个非常重要的分支，自适应滤波理论与技术也是统计信号处理与非平稳信号处理的重要组成部分。

airpls原理
Airpls是一种新型的降噪技术，它的全称是“Adaptive Intelligent Resonance-PLS”，可以自适应地感知环境噪声并进行有效消音。

Airpls的原理基于声学共振理论和PLS算法，它能够将环境噪声作为外部扰动来处理，通过对扰动信号进行逆滤波，从而实现降噪效果。

Airpls的优势在于它能够适应多种复杂噪声环境，并据此实现针对特定环境的优化降噪策略。

它的工作过程分为两个步骤：首先，通过麦克风捕获环境噪声信号，并进行信号处理；其次，利用逆滤波技术去除环境噪声。

在Airpls的信号处理过程中，它首先采集环境噪声信号，并利用快速傅里叶变换（FFT）算法将信号分解成频域信号。

接下来，通过共振峰的检测和跟踪，对环境噪声进行分析和建模。

这一步是Airpls算法的核心，它能够将环境噪声的频率和振幅特征进行有效的提取和分析。

在分析完环境噪声特征后，Airpls算法将利用逆滤波技术进行降噪处理。

逆滤波是一种基于滤波原理的处理技术，它能够将噪声信号的频率特征进行反转，从而达到消除噪声的效果。

Airpls算法将利用先前分析得到的环境噪声建模结果，来预测逆滤波函数，从而实现高效的降噪处理。

总的来说，Airpls技术结合了声学共振理论和PLS算法，能够实现自适应降噪。

目前，Airpls技术已经应用到了很多领域，包括
航空、汽车、音频、通讯等等。

它的出现为我们带来了更好的音频体验和通讯质量，预示着未来降噪技术将会有更广泛的应用空间。

城市轨道交通减振、降噪技术研发应用方案一、实施背景城市轨道交通作为现代城市公共交通的重要组成部分，具有高效、便捷、安全等优点，然而，其运行过程中产生的振动和噪声问题也日益凸显，严重影响了周边居民的生活质量。

为此，从产业结构改革的角度出发，开展城市轨道交通减振、降噪技术研发应用方案，旨在提高城市轨道交通的舒适度，降低对周边环境的影响，促进产业技术的升级与转型。

二、工作原理本方案主要从以下几个方面开展工作：1.振动控制：通过优化车辆动力学性能，采用先进的振动抑制技术，例如主动控制振动（ACV）系统，根据实时监测的振动信号，对车辆运行状态进行主动调整，从而降低车辆运行过程中的振动。

2.噪声控制：针对轨道交通的噪声问题，采用声学设计、被动降噪和主动降噪相结合的方法。

在轨道、车辆和建筑物等关键部位进行声学包装，如吸声、隔声、减振等措施，同时利用先进的噪声主动控制技术，如自适应噪声消除（ANC）系统，实现对噪声的有效抑制。

3.智能化监控：通过建立全面的智能化监控系统，对轨道、车辆、站场等关键部位的振动和噪声进行实时监测和数据采集，为减振、降噪方案的实施提供数据支持。

三、实施计划步骤1.需求分析：对城市轨道交通的振动和噪声问题进行深入调研，明确减振、降噪的目标和需求。

2.技术研究：开展振动控制、噪声控制和智能化监控等方面的技术研究，制定技术方案。

3.方案设计：根据需求分析和技术研究结果，设计城市轨道交通减振、降噪技术研发应用方案。

4.试验验证：在实验室和现场进行方案试验验证，对方案的可行性和效果进行评估。

5.方案实施：根据试验验证结果，对方案进行优化和完善，然后在城市轨道交通中进行全面实施。

6.效果评估：在方案实施后，对减振、降噪的效果进行评估，总结经验和教训，持续改进和优化方案。

四、适用范围本方案适用于城市轨道交通的减振、降噪技术研发和应用，包括地铁、轻轨、有轨电车等城市轨道交通系统。

同时，也可为其他类似振动和噪声问题的工程领域提供参考和借鉴。

enc降噪原理
ENC降噪技术，又称为环境噪声抑制（Environmental Noise Cancellation），是一种通过算法和信号处理技术，将环境噪声从音频信号中消除或减小的方法。

ENC降噪的原理基于以下几个步骤：
1. 环境噪声采集：利用麦克风等设备采集到环境中的噪声，并将其转换为数字信号。

2. 噪声建模：对环境噪声进行建模，通常使用自适应滤波器来自动估计和跟踪环境噪声的特性。

通过监测噪声的统计特征和频谱分布等信息，得到噪声的模型。

3. 噪声抑制：利用噪声模型，将噪声从原始音频信号中减小或消除。

这通常通过数字滤波器实现，该滤波器根据噪声模型的参数来抵消噪声成分。

4. 语音增强：在抑制噪声的同时，要保留并增强语音信号的清晰度和质量。

这可以通过加权处理原始信号和抑制后的噪声信号来实现。

ENC降噪技术的关键在于准确建模和抑制环境噪声。

由于环境噪声的特性可能随时间和场景变化，ENC系统通常具有自适应性，能够实时跟踪环境噪声的变化并相应地调整参数。

ENC降噪技术广泛应用于消费电子产品（如耳机、扬声器）
和通信设备（如手机、会议系统）中，以提供更清晰、更准确的音频体验。

通过消除环境噪声，ENC降噪技术能够有效提高语音识别的准确性，并提供更好的通信质量和音频享受。

降低雷达接收机中噪声的几种方法1 引言雷达接收机除了接收到有用信号外，还接收着杂乱的噪声信号，这些噪声信号严 重影响雷达接收机的灵敏度。

由雷达方程可知 ，要提高雷达的探测距离，提高雷 达接收机灵敏度是一个重要的捷径，但雷达接收机的极限值是受噪声功率所限 制的，要想提高接收机的灵敏度，增大雷达的作用距离，就必须研究怎样降低噪 声。

2 接收机噪声的来源雷达接收机的噪声，一部分来自接收机接收到的外部干扰，主要有天线热噪声、 友邻雷达及电台干扰、敌方雷达干扰设备的干扰、工业干扰、天电干扰及宇宙 干扰等；另一部分噪声来自接收机的内部，主要由接收机的电阻、馈线、谐振回 路等有损耗元件产生的热噪声以及电子管、晶体管等有源器件产生的各种噪声。

内部噪声和外部干扰都会影响有用信号的接收 ，但是，它们影响环境和影响程度 是不同的。

外部干扰的影响有时间性、空间性和频率性 ，即外部干扰中，有的是 只存在于某段时间，如只有雷雨时，才会有雷电干扰；有的是呈现在某个方位，如 宇宙干扰主要在银河系中心；有的只影响某个频率范围，如工业电气设备干扰和 天电干扰主要影响广播、电视频段；还有的外部干扰可以采用抗干扰措施消除。

内部噪声的影响则无时间性、空间性和频率性 ，任何接收机，只要一工作就有内 部噪声产生，就会影响对微弱信号的接收，所以内部噪声对雷达侦察和雷达接收 机影响最大。

式中尼、％分别为接收机输入端的信号功率和噪声 功率；尸帕分别为接收机输岀端的信号功率和噪声 功率。

式中s 鸟口为接收机的额宦功率增益〔额左功率传输系 数）0图片:图3 降低接收机内部噪声的措施通常我们用“噪声系数”来衡量内部噪声对输出信噪比的影响程度，噪声系数是接收机输入端信号噪声功率比与其输出端信号噪声功率比的比值，数学表达式为如果接收机内部不产生噪声，那么接收机信噪比通过接收机后是不会变化的，因此F = 1。

由于实际接收机是存在内部噪声的，那么输入信噪比通过接收机后将要变坏，因此F > 1 ,且F值越大,表示接收机内部噪声的影响越大。

第３０卷第２期　２ＯｌＯ年４月　弹箭与制导学报　

Ｊｏｕｒｎａｌ　ｏｆ　Ｐｒｏｊｅｃｔｉｌｅｓ。Ｒｏｃｋｅｔｓ．Ｍｉｓｓｉｌｅｓ　ａｎｄ　Ｇｕｉｄａｎｃｅ　ＶｏＩ＿３Ｏ　Ｎｏ．２　

Ａｐｒ　２０１０　

改进的噪声对消算法在无源探测中的应用　赵旦峰　，许聪　，张扬　（１哈尔滨工程大学信息与通信学院．哈尔滨　１５０００１；２海军装备研究院，北京　１０００７３）　摘要：为了削弱无源探测系统中存在的强噪声．提出了多路参考信号自适应噪声抵消算法。利用目标回波　信号与噪声信号的传输通道差异性，通过对接收阵列各阵元接收信号求差得到多路参考信号。仿真结果表　明．该算法可以有效抵消噪声，从而提高系统中弱信号的检测性能。　关键词：无源探测；弱信号检测；噪声对消；改进算法　中图分类号：ＴＮ９５８．９７　文献标志码：Ａ　

Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｉｍｐｒｏｖｅｄ　Ｎｏｉｓｅ　Ｃａｎｃｅｌｌａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｉｎ　Ｐａｓｓｉｖｅ　Ｄｅｔｅｃｔｉｏｎ　

ＺＨＡＯ　Ｄａｎｆｅｎｇ　。ＸＵ　Ｃｏｎｇ　，ＺＨＡＮＧ　Ｙａｎｇ。　（１　Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５０００１・Ｃｈｉｎａ；　２　Ｎａｖａｌ　Ａｃａｄｅｍｙ　ｏｆ　Ａｒｍａｍｅｎｔ。Ｂｅｉｊｉｎｇ　１０００７３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｏ　ｗｅａｋｅｎ　ｔｈｅ　ｓｔｒｏｎｇ　ｎｏｉｓｅ　ｉｎ　ｐａｓｓｉｖｅ　ｄｅｔｅｃｔｉｏｎ　ｓｙｓｔｅｍ，ｍｕｌｔｉ－ｒｅｆｅｒｅｎｃｅ　ａｄａｐｔｉｖｅ　ｎｏｉｓｅ　ｃａｎｃｅｌｌａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ．Ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｔｒａｎｓｍｉｓｓｉｏｎ　ｃｈａｎｎｅｌ　ｄｉｖｅｒｓｉｔｙ　ｂｅｔｗｅｅｎ　ｔａｒｇｅｔ　ｅｃｈｏ　ｓｉｇｎａｌ　ａｎｄ　ｎｏｉｓｅ，ｍｕｌｔｉ—ｒｅｆｅｒｅｎｃｅ　ｓｉｇｎａｌｓ　ａｒｅ　ｏｂｔａｉｎｅｄ　ｔｈｒｏｕｇｈ　ｍｉｎｕｓ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｒｅｃｅｉｖｅｄ　ｓｉｇｎａｌｓ　ｏｆ　ｅｖｅｒｙ　ｒｅｃｅｉｖｉｎｇ　ｅｌｅｍｅｎｔ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｏｆｆｓｅｔ　ｎｏｉｓｅ　ｅｆｆｅｃｔｉｖｅｌｙ，ＳＯ　ｔｈａｔ　ｔｈｅ　ｗｅａｋ　ｓｉｇｎａｌ　ｄｅｔｅｃｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｓ　ｉｍｐｒｏｖｅｄ．　Ｋｅｙｗｏｒｄｓ：ｐａｓｓｉｖｅ　ｄｅｔｅｃｔｉｏｎ；ｗｅａｋ　ｓｉｇｎａｌ　ｄｅｔｅｃｔｉｏｎ；ｎｏｉｓｅ　ｃａｎｃｅｌｌａｔｉｏｎ；ｉｍｐｒｏｖｅｄ　ａｌｇｏｒｉｔｈｍ