自适应信号处理1解读.ppt

自适应信号处理 Adaptive Signal Processing 薛永林 xueyl@tsinghua.edu.cn FIT 1-410 课程内容 C.1 自适应信号处理（Introduction） 自适应系统特点, 自适应处理原理 梯度和最小均方误差， 性能函数和性能曲面 C.2 自适应搜索算法 性能曲面梯度搜索 牛顿法，最陡下降法 学习曲线及比较 C.3 LMS算法 LMS算法导出，加权矢量的收敛性 学习曲线，梯度估计对自适应过程的影响 加权矢量解中的噪声，失调 C.4 最小二乘自适应滤波及快速算法 投影矩阵，滤波算子 格型滤波器，快速横向滤波器 C.5 自适应信号处理的应用 参考文献 (1) 张旭东、陆明泉，离散随机信号处理，清华大学 出版社，2005 (2) Bernard Widrow，Samuel D.Stearns， Adaptive Signal Processing， Prentice-Hall，1985 (3) Simon Haykin，自适应滤波器原理，第4版，电子工业出版社，2003 C.1 自适应信号处理 C1.1 自适应处理概述 C1.1.1 自适应系统特点: 能自动适应(最佳)变化的(时变)环境条件和要求 可被训练以实现特定的过滤和判决 可趋于自学习、自修复、自更新和自设计 复杂性高，系统性能高（尤其是对时变信号） 主要是时变的非线性系统 C1.1.2 自适应系统分类 开环系统 C1.1.3 自适应系统指标 （1）收敛速率 滤波器从初始参数调节到输出充分接近最优所需 的迭代次数 （2）失调 充分接近与最优的偏离程度 （3）计算量（复杂度） C1.1.4 自适应算法 根据滤波器结构和算法准则, 自适应算法主要有： 梯度算法 最小均方滤波器 格型自适应滤波器 最小二乘自适应滤波器 快速横向自适应滤波器 自适应无限冲激响滤波器 随机梯度 滤波算子 C1.1.5 自适应滤波应用范围 系统辨识 自适应均衡 语音处理 谱分析 自适应信号检测 自适应噪声消除 自适应动目标检测 C1.2 自适应系统基本原理 C1.2.1 自适应线性组合器 非递归自适应滤波器 在无噪声条件下， 和 收敛仅取决于标量收敛因子 为此代入 式 归纳为 可以准确知道 在无噪情况下的收敛条件为： 是一步收敛 是振荡收敛 实际自适应系统中具有噪声， 的优化在小于1/2，通常 作为多次迭代的收敛因子。 是平滑收敛 最陡下降法和牛顿方法不同，每一步的加权调节是在梯度方向上。最陡下降法迭代算法为： 而 则 平移向量 平移 C.2.3 最陡下降梯度搜索方法 所以 旋转座标到主轴方向，即 其中 故 归纳可得迭代公式 最陡下降法稳定和收敛的条件为： 由于对角矩阵之积恰等于相应对角元素乘积之矩阵，故 * * 自适应滤波器： 当环境条件发生变化时，能自动检测变化并调整参数 使输出性能达到最优的滤波器 自适应过程： 包括学习过程和跟踪过程 性能测量： 自适应的速度 接近最优的程度 闭环系统 输入信号 可以是多个信源信号输入，也可以是一个信号的 个连续样本的输入，记 或 每个信号的加权因子为 输出 或 对闭环自适应系统，系统参数（加权矢量）和“希望响应”或“训练信号”有关，即有性能反馈 C1.2.2 性能函数和均方误差性能表面 若希望响应为 dk， 误差信号为 平方误差信号为 如果该过程为统计平稳的，则 设 相关矩阵 ， 希望响应和输入分量间的互相关用 表示, 则 均方误差 — 性能函数 均方误差性能表面是一个关于 的碗形的二次误差函数或二次曲面。  C1.2.3 梯度和最小均方误差 常用梯度法以寻求性能表面的最小点 梯度可求得为： 为获得均方误差的最小值，对加权向量 取其最佳值 ，使梯度为0，即 这是Wiener-Hopf方程的一种矩阵表示，则最小均方误差 为 性能函数也可用下式表示（可证与2.2中性能函数相等） 若令 则 欲使 , 则须 当 时, , Rx 正定 , Rx 半正定 若 梯度可有另一种表达方式 若 C1.2.4 二次性能曲面的性质 对于输入相关矩阵Rx， 为Rx的特征值 为Rx的特征矢量 ， 则 可以证明： （1）若 ，即特征