当前课程知识点:现代数字信号处理 > 第四章 自适应滤波器 > 4.4 LMS类自适应算法 > 4.4 LMS类自适应算法
前面我们已经介绍了
两种常用的最优滤波器
匹配滤波器和维纳滤波器
以及卡尔曼滤波器的递推过程
接下来
我们讨论一下自适应滤波器
本节课包括三部分内容
自适应FIR滤波器的原理
梯度下降法
以及最小均方算法及其基本变型
首先我们来看第一个部分
自适应FIR滤波器的原理
所谓自适应实现乃是指
FIR滤波器的M个系数可以根据
估计误差e(n)的大小自适应的调节
使得某个代价函数最小
自适应FIR滤波器的原理图如图所示
其中
wi为待求的滤波器加权系数
滤波器设计最常用的准则是
使滤波器实际输出y(n)与期望响应d(n)
之间的均方误差最小
这就是最小均方误差准则
那么根据自适应FIR滤波器的原理图
我们可以得到滤波器的输出
y(n)等于w(m)乘以x(n-m)
对m从0到N-1进行求和
令i=m+1 wi=w(i-1) xi=x(n-i+1) n=j
上式可以写成yj等于wi乘以xij
对i从1到N进行求和
进一步将w1,w2一直到wN组成的向量
记为向量W
x1j x2j一直到xNj组成的向量记为向量Xj
那么上式可表示成矩阵形式
yj等于Xj的转置乘以W
也等于W的转置乘以Xj
那么估计误差ej就等于dj减去yj
等于dj减去(Xj的转置乘以W)
它也等于dj减去(W的转置乘以Xj)
均方误差等于dj平方的统计平均
减去2倍的Rdx的转置乘以W
再加上W的转置乘以Rxx乘以W
其中
Rdx为dj与Xj的互相关矩阵
Rxx是输入信号的自相关矩阵
我们的目的是选择最优权系数
使得均方误差最小
那么我们使均方误差对每一个权系数求微分
令其等于0
得到2倍的Rxx乘以W减去2倍的Rdx等于0
所以最优权矢量等于Rxx的逆乘以Rdx
这样一个式子
需要预先求得互相关矩阵和自相关函数
还要计算矩阵的逆
在实际应用中遇到很大的困难
为了解决这一问题
常用的方法为下降算法
下降算法的表达式为
Wj+1等于Wj 加上μj乘以Vj
其中Wj为第j步迭代的权向量
μj为第j步迭代的更新步长
Vj为第j步迭代的更新方向
下降算法有两种主要实现方式
一种是自适应梯度算法
包括最小均方算法及其各种变型和改进
统称最小均方类自适应算法
另一种是自适应高斯-牛顿算法
包括递推最小二乘算法
及其各种变型和改进
本节我们主要介绍最小均方类自适应算法
最常用的下降算法为梯度下降法
常称最陡下降法
在这种算法里
更新方向向量Vj取为第j次迭代的
均方误差的的负梯度
即最陡下降法的统一形式为
Wj+1等于Wj加上2分之一倍的μj
乘以负的倒三角j
式中的倒三角j表示
E[ej]的平方梯度向量
1/2是为了使得到的更新公式更简单
我们知道
倒三角j等于2倍的Rxx乘以W减去2倍的Rdx
所以我们得到Wj+1的更新公式
Wj+1等于Wj加上μj乘以括号内
Rdx减去Rxx乘以Wj
但该更新公式需要其梯度的精确值
这就要求输入信号和期望信号平稳
且要估计自适应函数Rxx和互相关函数Rdx
这给具体实现带来很大的困难
最小均方算法是用梯度的估计值
来代替梯度的精确值
最小均方算法的梯度估计值等于-2ejXj
所以滤波器权重的更新公式为
Wj+1等于Wj加上2分之一倍的μj
乘以负的倒三角j尖儿
也就等于Wj加上μj乘以ej乘以Xj
那么针对μj的不同
可以得到最小均方自适应算法的
几种基本变型
首先步骤1
我们对W进行初始化W0=0
步骤2
我们更新j j=1 2一直到无穷
更新公式为
ej等于dj减去(W的转置乘以Xj)
Wj+1等于Wj加上2分之一倍的μj
乘以负的倒三角j尖儿
等于Wj加上μj乘以ej乘以Xj
如果μj=常数
那么该算法为基本最小均方算法
如果μj=B加Xj的转置乘Xj均值ɑ
其中ɑ在0到2上进行取值 B大于等于0
则得到归一化的最小均方算法
如果μj等于σμj的平方分之ɑ
其中σμj的平方表示μj的方差
可由
递推计算
称为遗忘因子
ɑ在0到M分之2上取值
M为滤波器的阶数
该算法称为功率归一化最小均方算法
如果期望信号d(n)未知
那么步骤2中的d(n)可直接用
滤波器的实际输出y(n)来代替
以上便是最小均方类自适应算法
的全部内容
谢谢大家
-1.1 基本概念
--1.1 基本概念
-1.2 随机信号的比较、变换
-第一章 作业
--第一章 作业
-2.1 估计量的性质
-2.2 Bayes 估计
-2.3 最大似然和最小二乘
-2.4 线性均方估计
-第二章 作业
--第二章 作业
-3.1 离散随机过程与非参数化谱估计
-3.2 ARMA谱估计
-3.3 最大熵谱估计
-3.4 Pisarenko谐波分解法
-3.5 MUSIC方法
-3.6 ESPRIT方法
-第三章 作业
--第三章 作业
-4.1 匹配滤波器
-4.2 维纳滤波器
-4.3 Kalman滤波
-4.4 LMS类自适应算法
-4.5 RLS自适应算法
-第四章 作业
--第四章 作业
-6.1 信号的局部变换
-6.2 短时傅里叶变换
-6.3 Gabor变换
-6.4 小波变换
--6.4 小波变换
-第六章 作业
--第六章 作业
-7.1 时频分布的一般理论
-7.2 Wigner-Ville分布
-7.3 模糊函数
--7.3 模糊函数
-7.4 cohen类时频分布
-第七章 作业
--第七章 作业