自适应信号处理摘要.docVIP

自适应信号处理基本概念，解决的问题，适用条件下（平稳、短时平稳），结构分类。 自适应信号处理是研究一类结构可变或可以调整的系统，它通过自身与外界环境的接触来改善自身对信号处理的性能。通常这类系统是时变的非线性系统，可以自动适应信号传送变化的环境和要求。自适应系统和一般系统类似，可以分为开环系统和闭环系统两种类型。开环系统仅由输入确定，而闭环不仅取决于输入，还依赖于系统输出的结果。自适应信号处理所研究的信号既可以是随机平稳信号，也可以是局部平稳随机信号，也可以是窄带或者是宽带信号。 输入信号的相关矩阵：RE[X*XT]=，相关矩阵R是厄米特矩阵，即满足R* = RT。作为厄米特矩阵，它具有以下性质： ①对应于R的不同特征值的特征向量都是正交的。 ②R是正定（或半正定）矩阵，它所有的特征值都为实数，且大于或等于零。 ③所有特征值之和等于矩阵R的迹，即为输入信号的功率。 【定义一个幺向量：1=[1 1 … 1]T，于是，R的特征值之和为 1T∧1=1TQHRQ1= = 上式等号右边的求和即为矩阵R的迹（矩阵主对角线所有元素之和），亦即系统输入信号的功率。】 ④信号相关矩阵R可以被分解为一个实对称矩阵和一个实反对称矩阵，即：R=Ra+jRb ，其中，实矩阵Ra、Rb分别满足条件：Ra T=Ra和RbT =- Rb ⑤若W为L+1维的权向量，则对相关矩阵R，存在关于W的一个瑞利商，且对于所有W的瑞利商均为实数。 瑞利商Ray(W)= ⑥R可分解为R=QQT where Q [q0,q1,… ql], 信号子空间：Rs非零特征值对应的特征向量张成的子空间。Span{q0,q1,… qs} 噪声子空间：信号子空间的正交补空间零特征值→特征向量。Span{ qs+1,qs+2,… ql+1} 梯度运算：=[]T 式中分别是向量W的第l个元素的实部和虚部，即；ε即为。 实标量函数的梯度是一个向量，其方向代表该函数最陡下降时W变化方向的负向。 （）=2RW 3、性能测量方法。（代价函数） ①最小均方误差（MSE）：准则--误差信号功率最小： ε(W)=E[]= E[]+ - 2Re(WTP)，（代价函数） →Wopt=Rx-1P*. ( ε(Wopt)=E[]- WoptTP ---( P) ) εmin=E[]+PTR-1RWopt - 2WToptP = E[] – PTWopt ②最大信噪比： SNR= , SINR= SNR= Wopt =argRs’最大特征值对应特征向量。 Rs’ Wopt’= λmaxWopt’ ③最大似然准则(ML)： =arg ，高斯噪声，干扰背景 ④最小噪声方差(MV)： Wopt=λ1 , λ = 评价自适应系统性能的指标：收敛速度，跟踪能力，稳健性，计算量，算法结构，数值稳定性，稳态性能。 4、权向量求解方法： ①最陡下降法： - μ▽ ②牛顿法： - μ▽ 适用范围：代价函数是凸函数，不存在局部极值点。 最陡下降法 牛顿法 收敛方向 梯度下降最快 直接指向最优权 计算量 小 大 收敛速度 慢 快 收敛条件 0μ 0μ1 μ:特征值散布程度 【 最速下降法：0μ；优点：计算量小；缺点：收敛慢；受特征值的散度影响? ? ? ? 牛顿法：0μ1；优点：收敛快；不受特征值的影响；缺点：计算量大? ? ? 在初始值位于椭圆族主轴上时，它两个收敛特性相同。 】 收敛条件会证明！ 最陡下降法： - μ▽ 梯度：▽=|ω= =2λ（） 于是： - 2μλ（） 即：=(1-2μλ) 则可将第k次权偏差值迭代递推表示为：=(1-2μλ)k 而将第k次权值表示成： + (1-2μλ)k（） 相继两次权偏差值迭代的比值均为公比：(1-2μλ)=γ，则上述迭代过程“稳定”的充要条件是|γ|=|1-2μλ|1， 即：0μ1/λ。 则算法收敛于最佳解：= 。 牛顿法：R-1P* 、▽=2R-2 P* ▽=2R-2 P* → +2μ →= (1-2μ) = (1-2μ)k+1 . 所以，收敛条件：0μ1 . 5、自适应实现算法：（最陡下降法，牛顿法，仅给出迭代公式） ①微商法：梯度估计： = β（因权微扰而不停留在所引起的均方误差平均增量β为“性能损失”，即β=1/2[ε(-σ)+ ε(+σ)]- ε(). 对于单个实权的二次型性能函数，β=λσ2）； P（扰动，即P = =,此式给出了用最小均方误差归一化的