17_最小二乘格型滤波(LSL)研究.pptVIP

3.4.3 最小二乘格型算法（LSL） 1.用矢量空间法描述前向和后向线性预测误差滤波器 （1） 阶前向预测 ●权系数矢量与预测矢量 阶前向预测值 , 可表示为 以前的 个数据的线性组合: (3.4.85) 式中 ?时刻 的第 个前向预测系数. 将上式展开, 可得前向预测矢量表示式: (3.4.86) 其中, 数据矩阵: (3.4.87) 3.4.3 最小二乘格型算法（LSL） 前向预测滤波器的权矢量: 应用式(3.4.79)和(3.4.80),可得在最小二乘意义下 的最佳解为 (3.4.88) 最佳前向预测矢量为 (3.4.89) 令数据空间 的投影矩阵为 (3.4.90) 则前向预测矢量 (3.4.91) 3.4.3 最小二乘格型算法（LSL） (3.4.92) 其中 时刻的当前分量 (3.4.93) ●前向预测误差能量 即预测误差功率(又称为 “预测误差剩余”), 定义为预测误差矢量的内积(范数的平方), 即 (3.4.94) 根据延时算子 的移位性质, 由上式可以得到 (3.4.95) ●预测误差矢量和当前分量 设数据空间 的正交投影矩阵为 ,则 时刻的预测误差矢量为 3.4.3 最小二乘格型算法（LSL） （2） 阶后向预测 ●权系数矢量与预测矢量 阶后向预测值 ,可表示为 以后的 个数据的线性组合: (3.4.96) 式中 ?时刻 的第 个后向预测系数。 将上式展开, 可得后向预测矢量表示式: (3.4.97) 其中, 数据矩阵: (3.4.98) 后向预测滤波器的权矢量: 3.4.3 最小二乘格型算法（LSL） 在最小二乘意义下, 的最佳解为 (3.4.99) 最佳后向预测矢量为 (3.4.100) 令数据空间 的投影矩阵为 (3.4.101) 则后向预测矢量 (3.4.102) 3.4.3 最小二乘格型算法（LSL） ●预测误差矢量和当前分量 设数据空间 的正交投影矩阵为 , 则 时刻的预测误差矢量为 (3.4.103) 其中 时刻的当前分量 (3.4.104) ●后向预测误差能量 与前向预测类似, 后向预测误差能量为 (3.4.105) (3.4.106) 3.4.3 最小二乘格型算法（LSL） 2.前向和后向线性预测误差滤波器的参数更新 （1） 阶前向预测误差与递推公式 根据(3.4.93)给出的计算 阶前向预测误差当前分量 的公式: 可得 阶前向预测误差在 时刻的分量 (3.4.107) 其中, 是对子空间 的正交投影矩阵.数据矩阵 , 是将列矢量 附加于 的最后一列的后面得到的新矩阵。 令 3.4.3 最小二乘格型算法（LSL） 则有: (3.4.108) 将以上各式代入下式: 3.4.3 最小二乘格型算法（LSL） 得到 (3.4.109) 其中 (3.4.110) (3.4.111) 3.4.3 最小二乘格型算法（LSL） 定义前向与后向两个预测误差矢量的相关系数 (称为偏相关系数)为: ? (3.4.112) 将式(3.4.109), (3.4.111)代入式(3.4.108), 得 (3.4.113) 其中 (3.4.114) 称为前向预测误差更新的调整因子( 阶后向反射系数)。 式(3.4.113)即为前向预测误差按阶递推(阶更新)计算公式, 即由 递推计算 。 特别注意到,在这种递推计算中, 需要知道后向预测误差 。 3.4.3 最小二乘格型算法（LSL） (2) 阶后向预测误差与递推公式 用以上类似方法, 可导出后向预测误差阶更新计算公式为 (3.4.115) 其中, 是后向预测误差更新的调整因子 ( 阶前向反射系数): (3.4.116) 3.4.3 最小二乘格型算法（LSL） (3)预测误差滤波器的格型结构 式(3.4.113)和式(3.4.115)联立 Z-1 ? ? ? ? ? ? ? ? 图3.4.8 (a) 单级格型结构 可得到最小二乘格型(LSL)预测误差滤波器(单级格型结构)图 3.4.3 最小二乘格型算法（LSL） 由前向和后预测误差公式: 当 时, 有 (3.4.117) 3.4.3 最小二乘格型算法（LSL） 图3.4.8 (b) 多级(M阶)格型结构 Z-1 ? ? ? ? ? ? Z-1 ? ? ? ? ? ? Z-1