自适应滤波器基础_4汇总.ppt

根据矩阵迹的性质，加权矢量的均方误差（当n大时有） LS权矢量的均方误差 随递推时刻 n 的增加而线性减小。 学习曲线 时刻n，RLS滤波器的输出为 RLS的学习曲线定义为 误差为 右边第二项 右边第三项 RLS的学习曲线大约在2M次递推后收敛 （此时均方误差大约超过最小均方误差50%） （1）RLS的学习曲线大约在2M次递推后收敛。 （2）当 时， ， 即理论上说RLS没有过剩误差 或者极限失调系数为零。 （3）从均方意义下来说， RLS算法的收敛性和相关矩阵的特征值无关。 对复信号的LS算法和RLS算法 对复信号的M阶线性滤波器 其中 (1) (2) 令 可得最佳权系数满足的方程为 (3) 式(3)还可写成 (4) 类似地，可得到RLS算法的递推公式. 对复信号的（RLS）算法的流程 为小的正实数 (1) 取得 , (2) 更新增益矢量 (3) 更新滤波器参量 (4) 更新逆矩阵 初始条件 ： 运算：对 最小二乘自适应滤波器  蒋俊正 本资料仅供内部交流，请勿上传，欢迎批评指正。 最小均方误差(MMSE)准则 使滤波器输出与需要信号的误差的平方的统计平均最小。 根据MMSE准则得到的是对一类数据的最佳滤波器， 对同一类数据来说MMSE准则对不同的数据组 导出同样的“最佳”滤波器。 MMSE准则根据输入数据的长期统计特性寻求最佳滤波。 已知的仅是一组数据，因此只能对长期统计特性 进行估计或近似。 最小二乘(LS)准则 LS滤波器是对一组已知数据的最佳滤波器。LS准则对不同的数据组导出不同的“最佳”滤波器。 MMSE通过对输入数据进行总体统计平均导出; LS滤波器通过对一组有限长度数据进行时间平均导出。 如果输入数据过程是平稳、各态历径过程，则LS滤波器将随数据长度增加而接近MMSE滤波器 我们将针对实信号进行时域LS算法和RLS算法的讨论， 然后再将其推广到复信号的情况。 时域最小二乘（LS）滤波器 可利用的数据只有n个 (a) 相关法 (b) 前加窗法 (c) 后加窗法 (d) 方差法 已知数据 方差法对已知数据之外的数据未作任何假定， 前加窗法假定 时， 后加窗法假定 时， 相关法的相关矩阵是对称的和Toeplitz的， 其余三个取法的相关矩阵是对称的但非Toeplitz的。 前加窗法 时间互相关矢量 时间自相关矩阵 统计互相关矢量 统计自相关矩阵 批处理LS算法。需要进行矩阵求逆，其运算量为 递推最小二乘（RLS）算法 RLS LMS 是很小的正数 递推最小二乘（RLS）算法流程 为小的正实数 (1) 取得 , (2) 更新增益矢量 (3) 更新滤波器参量 (4) 更新逆矩阵 初始条件 ： 运算：对 RLS算法 每次迭代需要 次乘法，1次除法和 次加减法。 即每次递推的运算次数为 RLS算法的收敛特性比LMS算法好得多。 LMS算法 每次迭代需要 M+1 次乘法，M 次加法 即每次递推的运算次数为 3. 后验误差与先验误差之比称为变换因子 对于RLS算法，还有一个重要概念: 变换因子 1. 在时刻 n，递推处理前， 根据 得到的估计之误差称为先验误差 2. 递推处理后根据 估计之误差称为后验误差 RLS算法的收敛性 用自适应滤波器 实现系统识别 系统模型 识别对象模型 为白噪音 自适应滤波器的权矢量的LS估计为 LS算法 加权矢量误差的相关矩阵 设遗忘因子 为白噪音，与 无关, 为对称矩阵 、 、 假定 为平稳、遍历随机过程，则有