当前课程知识点:现代数字信号处理 > 第四章 自适应滤波器 > 4.5 RLS自适应算法 > 4.5 RLS自适应算法
上一节我们介绍了自适应梯度算法
这节课我们讨论另一种下降算法
最小二乘自适应算法
本节课包括两部分内容
最小二乘自适应算法的基本思想
以及最小二乘自适应算法的计算过程
首先我们来看第一个部分
最小二乘自适应算法的基本思想
最小二乘自适应算法是
将最小二乘法推广为一种自适应算法
其目的是设计自适应的横向滤波器
使得在已知n-1时刻
横向滤波器系数的情况下
能够通过简单的更新
求出n时刻的滤波器系数
以上便是最小二乘自适应算法的基本思想
接下来我们讨论一下
最小二乘自适应算法的计算过程
与一般的最小二乘方法不同
这里考虑一种指数加权的最小二乘方法
即
使用指数加权的误差平方和作为代价函数
则代价函数的表达式如下
式中
加权因子λ在0到1上取值
称为遗忘因子
其作用是对离n时刻越近的
误差加比较大的权重
对离n时刻越远的误差加比较小的权重
要使代价函数J(n)最小
需满足代价函数J(n)
对滤波器系数W的偏导为0
即负的两倍的λ的n-i次幂乘以Xi再乘以
括号内di的转置与Xi的转置乘以W的差
对i从0到n上求和等于0
进而得到λ的n-i次幂乘以Xi乘以Xi的转置
再乘以W 对i从0到n上求和
等于λ的n-i次幂乘以Xi乘以di的转置
对i从0到n上求和
令R(n)等于λ的n-i次幂乘以Xi乘以Xi的转置
对i从0到n上求和
令r(n)等于λ的n-i次幂乘以Xi乘以di的转置
对i从0到n上求和
那么滤波器系数W等于R(n)的逆乘以r(n)
上式表明指数加权最小二乘问题的解W
为维纳滤波器
下面我们考虑它的自适应更新
由R(n)的公式
我们可以得到R(n)等于λ倍的R(n-1)
加上Xn乘以Xn的转置
由r(n)的公式
我们可以得到r(n)等于λ倍的r(n-1)
加上Xn乘以dn的转置
根据矩阵求逆引理可得到逆矩阵
P(n)等于R(n)的逆的递推公式
P(n)等于λ分之一倍的P(n-1)减去k(n)
乘以Xn的转置乘以P(n-1)
其中k(n)为增益向量
它等于P(n-1)乘以Xn除以括号内λ与Xn的转置
乘以P(n-1)乘以Xn的和
那么P(n)乘以Xn等于λ分之一倍的P(n-1)
乘以Xn与k(n)乘以Xn的转置乘以P(n-1)
乘以Xn的差
容易证明
P(n)乘以Xn就等于k(n)
所以W(n)的更新公式
W(n)等于R(n)的逆乘以r(n)
就等于P(n)乘以r(n)
就等于W(n-1)
加上dn的转置乘以k(n)再减去k(n)
乘以Xn的转置乘以W(n-1)
综上所述
可得到最小二乘算法如下
步骤1
首先对w和P进行初始化W(0)=0
P(0)等于δ分之一乘以单位矩阵
其中δ是一个很小的值
步骤2
我们更新n n=1 2 3一直往后
根据如下的更新公式
计算误差信号e(n) 增益向量k(n)
R(n)的逆矩阵P(n)以及滤波器系数W(n)
逐步迭代可以得到最优的滤波器系数W(n)
以上便是最小二乘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