自适应线性预测.pptVIP

自适应线性预测 用自适应滤波器根据信号的过去值对未来值进行预测 左边为要进行预测信号的信号源。 要预测的信号x(n)有二阶AR模型产生，并可表示为 式中v(n)是方差 的零均值高斯白噪声 右边为二阶线性预测滤波器，其输出为x(n)的预测值并可表示为 预测误差为 线性预测滤波器采用LMS和RLS算法根据一定的准则调整w1和w2，力图使均方误差 尽可能小 令 则有 Kalman滤波 Kalman滤波：基于状态空间模型的线性最优滤波器 特点： 数学公式用状态空间概念描述 其解是递推计算的 Kalman滤波问题 过程方程 观测方程 问题描述：根据观测数据向量y(1),…,y(n)对 求状态向量x(i)各分量的最小二乘估计 （1）滤波（i=n）：使用n时刻及以前的测量数据，得到n时刻的信息； （2）平滑（ ）：使用n时刻及前后的测量数据，得到n时刻的信息； （3）预测（ ）：使用n时刻及以前的测量数据，得到n时刻之后的信息。 新息过程 定义： 性质 （1）n时刻的新息与所有过去的观测数据正交 （2）新息过程由彼此正交的随机向量序列组成 （3）表示观测数据的随机向量序列与表示新息过程的随机向量序列一一对应 计算 新息过程 新息过程的相关矩阵 Kalman滤波算法 状态向量的一步预测 由新息过程序列的线性组合构成 权矩阵的确定 由正交性原理 其中 因此 Kalman增益的计算 因此 Riccati方程 状态向量的预测误差 状态预测误差相关矩阵 特例：滤波估计时，P(n)是状态误差向量的相关矩阵 算法步骤 1。初始化 2。输入观测向量 已知参数： 状态转移矩阵 观测矩阵C(n) 过程噪声向量的相关矩阵 观测噪声向量的相关矩阵 3。计算：对n=1，2，…… （1）本次增益及新息 （2）求本次预测值 （3）准备下次的 与RLS算法的比较 考虑 有 RLS 有对应关系 * * F(n+1,n) y(n) C(n) x(n+1) 状态向量 状态转移矩阵 过程噪 声向量 观测向量 观测矩阵 观测噪声 观测向量的一步预测 状态响量的一步预测 状态向量一步预测误差 状态预测误差相关矩阵 Kalman增益 正实常数 *